适用于小型和高分辨率图像集的快速稳定的GAN-pytorch 该文件的正式pytorch实施“走向更快，更稳定的GAN训练，以实现高保真的少量拍摄图像合成”，可在找到该文件。 0.数据 本文中使用的数据集可以在上找到。 在对20多个数据集进行测试后，每个数据集的图像少于100个，该GAN会收敛到其中的80％。 对于该GAN可以收敛的数据集，我仍然无法总结出明显的“良好属性”模式，请随时尝试使用您自己的数据集。 1.说明 该代码的结构如下： models.py：所有模型的结构定义。 operation.py：培训过程中的辅助功能和数据加载方法。 train.py：代码的主要条目，执行此文件以训练模型，中间结果和检查点将自动定期保存到文件夹“ train_results”中。 eval.py：将图像从受过训练的生成器生成到文件夹中，该文件夹可用于计算FID分数。 基准测试：我们用

里面包含多种gan网络，不同网络实现不同效果风格化

CycleGAN-VC3-PyTorch | 该代码是PyTorch的纸上实现： ，这是有关语音转换/语音克隆的工作。 数据集 风投 用法 训练 例子 演示版 参考 循环GAN-VC3 非并行语音转换（VC）是一种无需使用并行语料库即可学习源语音和目标语音之间的映射的技术。 最近，CycleGAN-VC [3]和CycleGAN-VC2 [2]在此问题上已经显示出令人鼓舞的结果，并已被广泛用作基准测试方法。 但是，由于CycleGAN-VC / VC2对mel谱图转换的有效性不明确，即使比较方法采用mel谱图作为转换目标，它们也通常用于mel-cepstrum转换。 为了解决这个问题，我们研究了CycleGAN-VC / VC2对梅尔谱图转换的适用性。 通过初步实验，我们发现它们的直接应用损害了在转换过程中应保留的时频结构。 为了解决这个问题，我们提出了CycleGAN-V

GAN从头开始 仅使用NumPy和Python建立的创生对抗网络。 生成器和鉴别器示例图形数据，鉴别器学会辨别真伪数据，而生成器学会通过生成真实外观的图形数据来欺骗鉴别器。 享受！ 怎么跑 要运行该程序，只需安装NumPy并运行main.py pip install numpy python main.py

人脸生成 用于生成人脸的生成对抗网络。使用的CelebA数据集。 示例包括： 直流电源 ProGAN ProGAN产生的结果优于标准DCGAN。例如，仅以64x64进行比较，您可以看到ProGAN具有更好的面部结构和精细的细节。通常图像更清晰。 小心模式崩溃。

甘 生成对抗网络（GAN）以生成MNIST图像。

Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker DiscoveryUnsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery

使用链接器的Cycle-Shape-GAN演示程序 文学： 具有周期和形状一致性生成对抗网络的多模式医疗卷的翻译和分段（ ） 依赖 我只确认了操作。 1）Python 3.5.3 2）chainer 3.3.0 3）杯2.3.0 4）枕头5.0.0 我在互联网上找不到带注释的MRI或CT图像，因此我使用cityScape数据集。 所以，我修改了几个点以使该数据集... 3d-conv适应2d-conv ...等

matlab自相关代码使用生成对抗网络生成无模型的可再生能源方案 该存储库包含重现以下论文中显示的结果所必需的源代码： 陈以泽，王义深，丹尼尔·科申和张宝森， 接受IEEE电力系统交易（2018年）特刊，关于将极高渗透率的可再生能源集成到未来的电力系统中 该存储库中显示的方法可用于解决电力系统中的一般场景生成问题。 动机 工程师需要一种高效且可扩展的技术来捕获和建模可再生能源发电过程的时序情景以及时空情景的动态。 提出了基于传统模型的方法，其中有许多模型假设，而另一方面，这些模型很难扩展到不同位置的发电过程。 在该项目中，我们建议使用生成模型集Generative Adversarial Networks来为场景生成问题提供数据驱动的解决方案。 生成的样本 在这里，我们显示了一些生成的样本以及样本的自相关 语言和依存关系 我们使用Python来实现该算法。 Matlab中完成了一些数据处理工作。 具体来说，我们使用了开源Python软件包来训练神经网络模型。 要运行代码，您需要安装numpy，pandas，ipdb和matplotlib的标准软件包。 在Linux中，您可以通过pip

渐进式GAN火炬 渐进式GAN的pytorch实现，可以实际工作，可读且易于自定义 描述 为了进行研究，我简化了训练Progressive-GAN的代码，使其更易于阅读和自定义。 此实现是可移植的，具有最小的库依赖性（仅torch和torchvision），并且只有2个代码模块。 在代码中，您可以轻松地调整训练模式，损失函数和网络结构等。 该论文的主要贡献是：1. GAN的逐步增长； 2.鉴别器上的minibatch std； 3.生成器上的pixel-norm； 4.均等的学习速度； 已全部实施。 享受不断发展的基础设施的好处，并将其移植到您自己的研究和产品中！ 怎么跑 要开始训练，只需运行： python train.py --path /path/to/image-folder 具有更多配置的示例可以是： python train.py --path /path/to/ima