本文介绍了一种基于图像生成对抗网络的算法，用于感知遮挡人脸的还原。该算法通过对抗网络的生成器和判别器进行训练，实现了对遮挡人脸的还原。实验结果表明，该算法在还原遮挡人脸方面具有较好的效果。本文的研究对于提高人脸识别的准确性和安全性具有重要意义。

CNN-generated images are surprisingly easy to spot... for now论文中的权重

使用PyTorch构建GAN生成对抗网络源码 博客文章中包含了每行代码的详解，自行查看即可

在医疗领域，许多疾病的诊断依赖高倍数显微镜对细胞等微观物体的观测，但由于高倍数显微镜价格昂贵，操作复杂，且高倍数细胞显微图像重建工作存在低、高倍数显微图像之间图片风格不统一、细胞图像清晰度不致和训练数据不匹配等问题。为此，提出高倍数细胞显微图像生成式对抗网络。将全新激活函数引入Cyclean网络，在生成器中添加新的残差密集块并去掉BN层。同时为确保生成图像真实可信，在生成器训练过程中考虑细节感知损失。实验结果表明，该方法在保留低倍数显微图像基本信息的基础上，能够对高倍数显微图像细节进行有效的还原。

针对现有基于深度学习的图像超分辨率重建方法，其对细节纹理恢复过程中容易产生伪纹理，并且没有充分利用原始低分辨率图像丰富的局部特征层信息的问题，提出一种基于注意力生成对抗网络的超分辨率重建方法.该方法中生成器部分是通过注意力递归网络构成，其网络中还引入了密集残差块结构.首先，生成器利用自编码结构提取图像局部特征层信息，并提升分辨率；然后，通过判别器进行图像修正，最终将图像重建为高分辨率图像.实验结果表明，在多种面向峰值信噪比超分辨率评价方法的网络中，所设计的网络表现出了稳定的训练性能，改善了图像的视觉质量，同时具有较强的鲁棒性.

逐步建立的GAN生成对抗网络，博文中可以找到对应的逐句讲解

pytorch 实战，使用生成对抗网络生成动漫图像。 使用的技术：分割数据集（torch.utils.data.random_split）,early_stopping 当满足一定的条件时提前结束训练。训练，测试代码完善，非常容易上手。

内容包含数据集、完整源码以及运行结果。 实验内容：利用GAN网络、mnist数据集生成数字图像。 实验过程：1.进行环境配置 2.首先进行数据准备，将MNIST数据集离线下载，添加至对应的路径，避免代码执行过程中重复下载。 2.对MNIST数据集进行可视化展示，便于之后对比。 3.导入程序需要的模块，如torch、numpy等。 4.对分析器进行参数设定与解析。 5.定义生成器和判别器，实现隐藏层、BN以及前向传播。 6.定义损失函数。 7.初始化生成器、判别器和使用GPU加速。 8.定义神经网络优化器，使用动量梯度下降法。 9.对生成网络和训练网络进行训练。 10.结果保存。 11.修改参数，进行结果对比并分析。

通过信息形式的转换，把抽象的信息转变为更具体的形式，以此在图像生成时获得更好的控制效果。 这是一种很好的思路，可以提供灵感。

建筑视觉 Isola等人在论文“使用条件对抗网络进行图像到图像转换”（ ）中详细介绍了GAN的实现。 为CMU 10-401机器学习课程最终项目（2017年Spring）创建。 写上去 或阅读以下内容。 使用GAN从草图生成建筑的真实感图像 抽象的 将给定的输入图像转换为另一个转换后的输出图像的想法是一个有趣的概念。 我们在此项目中采用的方法是使用生成对抗网络（GAN）学习可以执行此任务的生成模型。 这种方法的好处在于，可以从数据中学习损失函数，因此可以将同一网络应用于各种不同的图像到图像的转换问题。 我们介绍了我们的网络体系结构以及使用这种方法将猫，鞋子和建筑物的草图转换为逼真的对象的结果。 介绍 我们希望了解如何从图像的简单草图中生成逼真的图像。 为此，我们对“有条件对抗网络的图像到图像转换”（Isola等人，2016）中描述的算法进行了批评和实施。 本文研究了如何将条件对抗网络用于