GAN

深度学习进阶篇[9]：对抗生成网络GANs综述、代表变体模型、训练策略、GAN在计算机视觉应用和常见数据集介绍，以及前沿问题解决 对抗生成网络（GANs）综述 1、生成与判别 1.1 生成模型 ​ 所

深度学习进阶篇[8]：对抗神经网络GAN基本概念简介、纳什均衡、生成器判别器、解码编码器详解以及GAN应用场景

用 StyleGAN 技术无限生成 AI 人脸，再也不怕肖像权的侵扰，随时随地想用就用，虚拟人像供你选择。

PROGAN描述了一种生成对抗网络的新训练方法。关键的想法是逐步增加生成器和鉴别器：从低分辨率开始，添加新的层，随着训练的进行，这些层可以生成越来越精细的细节。

SAGAN:该网络允许对图像生成进行注意力驱动的远距离依赖性建模。传统卷积 GAN 仅根据低分辨率特征图中的空间局部点生成高分辨率细节。在 SAGAN 中，可以使用来自所有特征位置的信息来生成细节.

AIGC可能会是人工智能的下一个时代。尽管很多人还不知道AIGC是什么。本文详解AIGC的原理，并且实战一个人工智能生成动漫头像的项目实例。

本文正在参加「金石计划 . 瓜分6万现金大奖」 Hello，大家好，这里是「豆皮范儿」，今天给大家带来了《如何创造自己的二次元老婆》的内容。 前面我们分享了人工神经网络、蚁群算法和遗传算法，这次我们来

本文介绍了一种实现Lipschitz 连续条件的新方法——SpectralNormalization，以实现更稳定的GAN，快来看看叭🌱🌱🌱

本文是继AnoGAN后基于GAN实现瑕疵检测的又一力作，相比于AnoGAN又快又稳，还不快来看看🔪🗡⚔🏹

本文为大家介绍另外一种异常检测的GAN网络——GANomaly。文中对GANomaly的原理进行了详细解释，并截取了核心代码辅助大家理解。相信你阅读后会对GANomaly有一个清晰的认识。

本文详细介绍了WGAN的原理，从通俗的角度带大家理解WGAN的原理。并且在代码实现中给出了WGAN较原始GAN做出的4点改变，让你能够搭建自己的WGAN网络。

本文为大家介绍了DCGAN的主要思想，对其提及的转置卷积进行了详细解释。并且使用DCGAN网络搭建了模型，实现了人脸图像的生成。

本文介绍了一种用在缺陷检测中的GAN网络——AnoGAN。文章详细介绍了AnoGAN的原理，并用一个小demo辅助大家理解，最后也提出了AnoGAN的缺陷。在下一篇文章我将采用新的结构来解决它的缺陷。

本文为大家介绍了一种AnoGAN的改进的缺陷检测方法，在训练阶段使用了编码器结构将真实图片映射为潜在变量，测试阶段直接利用训练好的编码器获取潜在变量，大幅度减少了测试所有时间。

本文介绍了一个可玩性非常强的GAN网络——GycleGAN，可以实现各种风格的转换。如将一张自己拍摄的美景转换为梵高莫奈等风格的图画，让你体验一次当美术大家的感觉，也可以打造专属动漫头像，十分有趣。

本文非常详细的介绍什么是生成式对抗网络GAN，以及GAN内部的实现原理，包括各种GAN的训练技巧和变形等等内容。

## 1. PaddleGAN的唇形迁移能力--Wav2lip **铛铛铛！！飞桨[PaddleGAN](https://github.com/PaddlePaddle/PaddleGAN)这就来给大

本文从建筑参数生成项目出发，介绍了两种数据生成方法：基于BiGRU以及GAN网络的数据生成。。。。。。

对抗生成网络GAN系列——GAN 写在前面 ​   其实关于GAN的讲解我早就做过一期，点击☞☞☞了解详情🌱🌱🌱由于最近会用到GAN的一些知识，自己又对GAN进行了一些整理，有了一些新的认识，便写了这