自然语言处理

从题目中我们可以看出这是一篇属于Image-to-Image方面的文章，作者提出了一种新的GAN的变体，称为XGAN（GAN架构的形状像一个X），实现了在无监督学习的方式下，完成不同域（domain）的图像之间的转换。在GAN的诸多变体中，类似的有CycleGAN、DualGAN...

在BEGAN出现之前，DCGAN使用了卷积结构来提高生成图像的质量；EBGAN提高收敛的稳定性和模型的鲁棒性；WGAN提高了稳定性和更好的模式覆盖，但是收敛速度慢。pdata​。D ，它所做的是尽可能地匹配误差的分布而不是直接匹配样本的分布，如果误差的分布之间足够的接近，那么真实...

Goodfellow在2014年发表了《Generative Adversarial Nets》后，生成对抗网络就引起深度学习领域的关注。它通过一种双人博弈的过程，迭代的优化生成器和判别器，最终到达纳什均衡点。D的损失函数改为使用最小二乘损失，通过实验证明了这种改变不仅可以生成更...

在《Coupled Generative Adversarial Networks》中，作者使用了两个GANs实现了在无配对数据的的情况下，实现不同的domain之间的高层次的特征学习。除了couple GAN，类似的还有这篇文章所讲的TripleGANs，但它并不是直面理解的使...

这篇文章中，作者提出了另一个的GAN的变种CoGAN，它通过学习多个域（domain）上的联合分布来实现在无配对数据的情况下的风格转换。CoGAN顾名思义是使用了两个GAN。通过一种权值共享机制（weight-sharing constrain）来限制网络的容量，并且使模型倾向于...

D ，然后判别器根据判别的结果给出一个标量，如果认为是真实样本就输出1，如果认为它是生成样本就输出0。D希望可以最大程度的判断出样本的来源，这样就形成了一个对抗的过程。D 判断出是来自哪里。z的具体维度和生成图像的语义特征联系起来。z的维度和语义特征之间的对应关系，它也可以认为是...

在先前的CGAN中，我们将描述文本作为条件分别输入生成器和判别器，用来实现Text-to-Image。但是通常得到的图像都是只包含了描述文本中的基本特征，并不能很好地表现出文本中的细节部分，因此分辨率很低。256×256 的高分辨率的图像。它采用了一种逐步递进的思想，将高分辨率图...

这篇文章讲的就是大名鼎鼎的CycleGAN，它可以实现再无配对数据的情况实现不同域（domain）之间图像的互相转换。它的基本思想和前面讲过的DiscoGAN和DualGAN是一致的，同样只看一下它精髓的地方。它使用两个生成器、两个判别器，通过构成环状的结构来实现两个域的图像之间...

这篇论文和前面看过的《Learning to Discover Cross-Domain Relations with Generative Adversarial Networks》（参见：https://blog.csdn.net/Forlogen/article/detai...

这篇论文讲的主要内容是使用条件对抗生成网络来实现图像转换，其中涉及到很多东西很具有启发意义，是一篇很好的文章。首先给出它可以实现的效果图，有一个直观的认识。图像转换是很多图像问题的基本抽象，在这篇文章之前已有很多的模型可以用来处理相关的问题。但是它们有一个共同的不足之处，虽然可以...

关于CGAN的论文解读可见：https://blog.csdn.李宏毅老师的主页：http://speech.ee.ntu.edu.tw/~tlkagk/courses_MLDS18.B站视频：https://www.bilibili.通过阅读CGAN的原始论文，我们可以看到它对...

人类可以很容易的识别两个不同域的东西，但是让机器去做这件事就需要给它大量的对于基本事实对的描述，这是一件很具挑战性的工作。本文作者提出了一种的新的使用GAN的方法，可以在预先没有任何事实对的的基础上发现不同域的相互关系，将这种方法称为DiscoGAN。使用它可以实现风格的不同图像...

GAN的提出为生成模型的学习提供了一种新的方法（具体内容可参见：https://blog.csdn.net/Forlogen/article/details/88903711）， 但是它存在一个很大的问题就是：生成器生成的假样本是不可控的，它完全取决于输入的随机噪声，我们无法预测...

首先给出有关GAN的相关东西： paper：NIPS 2016 Tutorial: Generative Adversarial Networks Author: Ian Goodfellow Paper Download: https://arxiv.org/abs/1701....

在Martin Arjovsky, Léon Bottou, Towards Principled Methods for Training Generative Adversarial Networks, 2017, arXiv preprint这篇论文中，作者发现在选择不同的...

学习生成对抗网络，第一件事就是看这篇神作《Generative Adversarial Nets》，下面对这篇论文做一个学习的总结，主要关注于文中介绍生成对抗网络的部分，其余内容详见论文，它对于我们理解生成对抗网络不会有太大的影响。看一篇论文最重要的自然是先看摘要部分，下面我们看...