生成對抗網路GAN資料打包分享
全文摘要
生成式對抗網路，即所謂的GAN是近些年來最火的無監督學習方法之一，模型由Goodfellow等人在2014年首次提出，將博弈論中非零和博弈思想與生成模型結合在一起，巧妙避開了傳統生成模型中概率密度估計困難等問題，是生成模型達到良好的效果。本文總結收集了一些關於生成對抗網路的學習資源，有興趣者可以好好學一學。
生成對抗網路資料打包
1基礎知識
-
臺大李弘毅老師gan課程。參考連結：
#youtube#:
https://www.youtube.com/watch?v=DQNNMiAP5lw&index=1&list=PLJV_el3uVTsMq6JEFPW35BCiOQTsoqwNw
#bilibili#
https://www.bilibili.com/video/av24011528?from=search&seid=11459671583323410876
-
成對抗網路初學入門：一文讀懂GAN的基本原理
-
深入淺出：GAN原理與應用入門介紹
-
港理工在讀博士李嫣然深入淺出GAN之應用篇
https://pan.baidu.com/s/1o8n4UDk 密碼: 78wt -
萌物生成器：如何使用四種GAN製造貓圖
https://zhuanlan.zhihu.com/p/27769807 -
GAN學習指南：從原理入門到製作生成Demo
https://zhuanlan.zhihu.com/p/24767059x -
生成式對抗網路GAN研究進展
http://blog.csdn.net/solomon1558/article/details/52537114
2 相關報告
-
【乾貨】Google GAN之父Ian Goodfellow ICCV2017演講：解讀生成對抗網路的原理與應用
-
NIPS 2016教程：生成對抗網路
-
訓練GANs的技巧和竅門
https://github.com/soumith/ganhacks
3 論文前言
-
對抗例項的解釋和利用（Explaining and Harnessing Adversarial Examples）2014
https://arxiv.org/pdf/1412.6572.pdf -
基於深度生成模型的半監督學習（ Semi-Supervised Learning with Deep Generative Models ）2014
https://arxiv.org/pdf/1406.5298v2.pdf -
條件生成對抗網路（Conditional Generative Adversarial Nets）2014
https://arxiv.org/pdf/1411.1784v1.pdf -
基於深度卷積生成對抗網路的無監督學習（Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks (DCGANs)）2015
https://arxiv.org/pdf/1511.06434v2.pdf -
基於拉普拉斯金字塔生成式對抗網路的深度影象生成模型（Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks）2015
http://papers.nips.cc/paper/5773-deep-generative-image-models-using-a-5. laplacian-pyramid-of-adversarial-networks.pdf -
生成式矩匹配網路（Generative Moment Matching Networks）2015
http://proceedings.mlr.press/v37/li15.pdf -
超越均方誤差的深度多尺度視訊預測（Deep multi-scale video prediction beyond mean square error）2015
https://arxiv.org/pdf/1511.05440.pdf -
通過學習相似性度量的超畫素自編碼（Autoencoding beyond pixels using a learned similarity metric）2015
https://arxiv.org/pdf/1512.09300.pdf -
對抗自編碼（Adversarial Autoencoders）2015
https://arxiv.org/pdf/1511.05644.pdf -
基於畫素卷積神經網路的條件生成圖片（Conditional Image Generation with PixelCNN Decoders）2015
https://arxiv.org/pdf/1606.05328.pdf -
通過平均差異最大優化訓練生成神經網路（Training generative neural networks via Maximum Mean Discrepancy optimization）2015
https://arxiv.org/pdf/1505.03906.pdf -
訓練GANs的一些技巧（Improved Techniques for Training GANs）2016
-
InfoGAN:基於資訊最大化GANs的可解釋表達學習（InfoGAN:Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets）2016
https://arxiv.org/pdf/1606.03657v1.pdf -
上下文畫素編碼：通過修復進行特徵學習（Context Encoders: Feature Learning by Inpainting）2016
-
生成對抗網路實現文字合成影象（Generative Adversarial Text to Image Synthesis）2016
http://proceedings.mlr.press/v48/reed16.pdf -
對抗特徵學習（Adversarial Feature Learning）2016
https://arxiv.org/pdf/1605.09782.pdf -
結合逆自迴歸流的變分推理（Improving Variational Inference with Inverse Autoregressive Flow ）2016
https://papers.nips.cc/paper/6581-improving-variational-autoencoders-with-inverse-autoregressive-flow.pdf -
深度學習系統對抗樣本黑盒攻擊（Practical Black-Box Attacks against Deep Learning Systems using Adversarial Examples）2016
https://arxiv.org/pdf/1602.02697.pdf -
參加，推斷，重複：基於生成模型的快速場景理解（Attend, infer, repeat: Fast scene understanding with generative models）2016
https://arxiv.org/pdf/1603.08575.pdf -
f-GAN: 使用變分散度最小化訓練生成神經取樣器（f-GAN: Training Generative Neural Samplers using Variational Divergence Minimization ）2016
http://papers.nips.cc/paper/6066-tagger-deep-unsupervised-perceptual-grouping.pdf -
在自然影象流形上的生成視覺操作（Generative Visual Manipulation on the Natural Image Manifold）2016
https://arxiv.org/pdf/1609.03552.pdf -
對抗性推斷學習（Adversarially Learned Inference）2016
https://arxiv.org/pdf/1606.00704.pdf -
基於迴圈對抗網路的影象生成（Generating images with recurrent adversarial networks）2016
https://arxiv.org/pdf/1602.05110.pdf -
生成對抗模仿學習(Generative Adversarial Imitation Learning）2016
http://papers.nips.cc/paper/6391-generative-adversarial-imitation-learning.pdf -
基於3D生成對抗模型學習物體形狀的概率隱空間（Learning a Probabilistic Latent Space of Object Shapes via 3D Generative-Adversarial Modeling）2016
https://arxiv.org/pdf/1610.07584.pdf -
學習畫畫（Learning What and Where to Draw）2016
https://arxiv.org/pdf/1610.02454v1.pdf -
基於輔助分類器GANs的條件影象合成（Conditional Image Synthesis with Auxiliary Classifier GANs）2016
https://arxiv.org/pdf/1610.09585.pdf -
隱生成模型的學習（Learning in Implicit Generative Models）2016
https://arxiv.org/pdf/1610.03483.pdf -
VIME: 變分資訊最大化探索（VIME: Variational Information Maximizing Exploration）2016
http://papers.nips.cc/paper/6591-vime-variational-information-maximizing-exploration.pdf -
生成對抗網路的展開（Unrolled Generative Adversarial Networks）2016
https://arxiv.org/pdf/1611.02163.pdf -
基於內省對抗網路的神經影象編輯（Neural Photo Editing with Introspective Adversarial Networks）2016，原文連結：
-
基於解碼器的生成模型的定量分析（On the Quantitative Analysis of Decoder-Based Generative Models ）2016，原文連結：
-
結合生成對抗網路和Actor-Critic 方法（Connecting Generative Adversarial Networks and Actor-Critic Methods）2016，原文連結：
-
通過對抗網路使用模擬和非監督影象訓練（ Learning from Simulated and Unsupervised Images through Adversarial Training）2016，原文連結：
-
基於上下文RNN-GANs的抽象推理圖的生成（Contextual RNN-GANs for Abstract Reasoning Diagram Generation）2016，原文連結：
-
生成多對抗網路（Generative Multi-Adversarial Networks）2016，原文連結：
-
生成對抗網路組合（Ensembles of Generative Adversarial Network）2016，原文連結：
-
改進生成器目標的GANs(Improved generator objectives for GANs) 2016，原文連結：
-
訓練生成對抗網路的基本方法（Towards Principled Methods for Training Generative Adversarial Networks）2017，原文連結：
-
生成對抗模型的隱向量精準修復（Precise Recovery of Latent Vectors from Generative Adversarial Networks）2017，原文連結：
-
生成混合模型（Generative Mixture of Networks）2017，原文連結：
-
記憶生成時空模型（Generative Temporal Models with Memory）2017，原文連結：
-
AdaGAN: Boosting Generative Models". AdaGAN。原文連結[https://arxiv.org/abs/1701.04862]
-
Loss-Sensitive Generative Adversarial Networks on Lipschitz Densities。原文連結：https://arxiv.org/abs/1701.06264；程式碼：https://github.com/guojunq/glsgan/
-
Wasserstein GAN, WGAN。原文連結：[https://arxiv.org/abs/1701.07875]；程式碼：
-
Boundary-Seeking Generative Adversarial Networks，BSGAN。原文連結：https://arxiv.org/abs/1702.08431；程式碼地址：
-
Generative Adversarial Nets with Labeled Data by Activation Maximization，AMGAN。原文連結：
-
Triple Generative Adversarial Nets，Triple-GAN。原文連結
-
BEGAN: Boundary Equilibrium Generative Adversarial Networks。原文連結：https://arxiv.org/abs/1703.10717；程式碼：
-
Improved Training of Wasserstein GANs。原文連結：https://arxiv.org/abs/1704.00028；程式碼：
-
MAGAN: Margin Adaptation for Generative Adversarial Networks。原文連結[https://arxiv.org/abs/1704.03817]，
-
Gang of GANs: Generative Adversarial Networks with Maximum Margin Ranking。原文連結：
-
Softmax GAN。原文連結：
-
Generative Adversarial Trainer: Defense to Adversarial Perturbations with GAN。原文連結：
-
Flow-GAN: Bridging implicit and prescribed learning in generative models。原文連結：
-
Approximation and Convergence Properties of Generative Adversarial Learning。原文連結：
-
Towards Consistency of Adversarial Training for Generative Models。原文連結：
-
Good Semi-supervised Learning that Requires a Bad GAN。原文連結：https://arxiv.org/abs/1705.09783
-
On Unifying Deep Generative Models。原文連結：
-
DeLiGAN:Generative Adversarial Networks for Diverse and Limited Data。原文連結：
http://10.254.1.82/cache/6/03/openaccess.thecvf.com/e029768353404049dbcac9187a363d5a/Gurumurthy_DeLiGAN__Generative_CVPR_2017_paper.pdf；程式碼：https://github.com/val-iisc/deligan
-
Temporal Generative Adversarial Nets With Singular Value Clipping。原始連結：
-
Least Squares Generative Adversarial Networks. LSGAN。原始連結：
4 專案實戰
-
深度卷積生成對抗模型（DCGAN）參考連結
-
用Keras實現MNIST生成對抗模型，參考連結：
https://oshearesearch.com/index.PHP/2016/07/01/mnist-generative-adversarial-model-in-keras/
-
用深度學習TensorFlow實現影象修復，參考連結：
-
TensorFlow實現深度卷積生成對抗模型（DCGAN），參考連結：
-
Torch實現深度卷積生成對抗模型（DCGAN），參考連結：
-
Keras實現深度卷積生成對抗模型（DCGAN），參考連結：
-
使用神經網路生成自然影象（Facebook的Eyescream專案），參考連結：
-
對抗自編碼（AdversarialAutoEncoder），參考連結：
-
利用ThoughtVectors 實現文字到影象的合成，參考連結：
-
對抗樣本生成器（Adversarialexample generator），參考連結：
https://github.com/e-lab/torch-toolbox/tree/master/Adversarial
-
深度生成模型的半監督學習，參考連結：
-
GANs的訓練方法，參考連結：
-
生成式矩匹配網路（Generative Moment Matching Networks, GMMNs），參考連結：
-
對抗視訊生成，參考連結：
-
基於條件對抗網路的影象到影象翻譯（pix2pix）參考連結：
-
對抗機器學習庫Cleverhans, 參考連結：
5 相關補充
-
生成對抗網路（GAN）專知薈萃。參考資料：
-
The GAN Zoo千奇百怪的生成對抗網路，都在這裡了。你沒看錯，裡面已經有有近百個了。參考連結：
-
gan資料集錦。參考連結：
-
gan在醫學上的案例集錦：
-
gan應用集錦：
-
生成對抗網路（GAN）的前沿進展（論文、報告、框架和Github資源）彙總，參考連結：
http://blog.csdn.net/love666666shen/article/details/74953970