通过对抗网络进行大容量鲁棒图像隐写术

生成对抗网络（GAN）是无监督学习领域最近几年快速发展的一个研究方向，其主要特点是能够以一种间接的方 式对一个未知分布进行建模。在计算机视觉研究领域中，生成对抗网络有着广泛的应用，特别是在图像生成方面，与其他的 生成模型相比，生成对抗网络不仅可以避免复杂的计算，而且生成的图像质量也更好。

图像超分辨率（ISR） 该项目的目标是扩大和提高低分辨率图像的质量。 该项目包含针对单一图像超分辨率（ISR）的各种残差密集网络的Keras实现，以及使用内容和对抗性损失组件来训练这些网络的脚本。 已实施的网络包括： 残差密集网络中描述的超规模残差密集网络（Zhang et al.2018） 网络中描述的残留致密网络中的超规模残留（Wang等人，2018） Keras VGG19网络的多输出版本，用于感知损失中的深度特征提取 一种自定义判别器网络，基于（SRGANS，Ledig et al.2017）中的描述 阅读完整的文档，为： : 。 和进行培训和预测。 此外，我们提供了一些脚本，以简化AWS和在云上的培训，仅需少量命令。 ISR与Python 3.6兼容，并在Apache 2.0许可下分发。 我们欢迎任何形式的贡献。 如果您想贡献，请参阅部分。 内容 预训练网络 创建模型对象时，可直接获得用于生成这些图像的权重。 当前有4种型号可用： RDN：较大的psnr，较小的psnr，取消噪声 RRDN：甘斯 用法示例： model = RRDN(weights=

针对生成对抗网络（GAN）这一热点模型，介绍其发展和应用的趋势。本文主要对比了现有几种典型的生成对抗网络模型及其变体：生成对抗网络（GAN）、条件生成对抗网络（CGAN）、深度卷积生成对抗网络（DCGAN）、半监督生成对抗网络（SGAN）信息生成对抗网络（InfoGAN）。同时本文系统地总结了生成对抗网络各种变体在计算机视觉领域的主要应用及性能优劣。文章最后分析了生成对抗网络存在的问题，以及对生成对抗网络研究趋势做了总结和展望。

常用深度网络模型,深度卷积网络、深度循环网络，生成对抗网络

生成对抗网络（GAN）实例 代码+数据集 很实用的代码，并且简单易学，对深度学习感兴趣的可以看看 数据集有手写图片的识别，也可以替换成自己的数据集

包含，CycleGAN的代码，文档以及论文，讲解详细，有需要者不可放过。

Tensorflow implementation of [Deep Convolutional Generative Adversarial Networks](http://arxiv.org/abs/1511.06434) which is a stabilize Generative Adversarial Networks.

生成对抗网络（GAN）的简介；GAN背后的理论；条件GAN；GAN的应用；GAN未来的研究方向

该项目是针对目前的生成对抗网络的一个应用，可以动态生成动漫妹子头像，适合学习。