对抗攻击PyTorch 是一个PyTorch库，其中包含对抗性攻击以生成对抗性示例。 干净的图像 对抗形象 目录 推荐的地点和配套 用法 :clipboard: 依存关系 火炬== 1.4.0 Python== 3.6 :hammer: 安装 pip install torchattacks或 git clone https://github.com/Harry24k/adversairal-attacks-pytorch import torchattacks atk = torchattacks . PGD ( model , eps = 8 / 255 , alpha = 2 / 255 , steps = 4 ) adversarial_images = atk ( images , labels ) :warning: 预防措施 在用于攻击之前，应使用transform [to.Tensor（）]将所有图像缩放为

我们提出了一个简单的正则化方案来处理生成对抗网络（GAN）中的模式缺失和训练不稳定的问题。 关键思想是利用鉴别器学习到的视觉特征。 我们通过向生成器提供由鉴别器提取的真实数据特征来重建真实数据。 将重建损失添加到GAN的目标函数中，以强制生成器可以根据鉴别器的特征进行重建，这有助于明确指导生成器朝着接近实际数据的可能配置进行。 所提出的重建损失提高了GAN的性能，在不同的数据集上产生了更高质量的图像，并且可以轻松地与其他正则化损失函数（例如梯度罚分）组合以提高各种GAN的性能。 我们对不同数据集上广泛采用的DCGAN体系结构和复杂的ResNet体系结构进行了实验，结果表明了该方法的有效性和鲁棒性。

在PyTorch和PyTorch Lightning中生成深度学习模型的实现 DCGAN 论文： 作者：Alec Radford，Luke Metz，Soumith Chintala 代码（PyTorch）： 由 码（闪电）： 由 去做 DCGAN Pix2Pix 循环GAN SRGAN

无参考图像质量评价，深度学习，生成对抗网络，adversarial net (RAN), a GAN-based model for no-reference image quality assessment (NR-IQA).

CelebAMask-HQ CelebAMask-HQ是一个大规模的面部图像数据集，通过遵循CelebA-HQ从CelebA数据集中选择了30,000张高分辨率面部图像。 每个图像具有对应于CelebA的面部属性的分割蒙版。 CelebAMask-HQ口罩采用512 x 512尺寸手动注释，分为19类，包括所有面部组件和配件，例如皮肤，鼻子，眼睛，眉毛，耳朵，嘴巴，嘴唇，头发，帽子，眼镜，耳环，项链，脖子和布。 CelebAMask-HQ可用于训练和评估人脸解析，人脸识别以及用于人脸生成和编辑的GAN的算法。 如果您需要图像的身份标签和属性标签，请向发送请求。 交互式人脸图像处理演示 样本图片 CelebAMask-HQ的人脸操纵模型 CelebAMask-HQ可用于多个研究领域，包括：面部图像处理，面部分析，面部识别和面部幻觉。 下面展示了一个关于交互式面部图像处理的应用程

generative_adversarial_networks_101：生成对抗网络的Keras实现。 具有MNIST和CIFAR-10数据集的GAN，DCGAN，CGAN，CCGAN，WGAN和LSGAN模型

pix2pix | | 火炬实现，用于学习从输入图像到输出图像的映射，例如： 条件对抗网络的图像到图像翻译，，， CVPR，2017年。 在某些任务上，可以在较小的数据集上相当快地获得不错的结果。 例如，要学习生成立面（如上所示的示例），我们仅对400张图像进行了约2个小时的训练（在单个Pascal Titan X GPU上）。 但是，对于更棘手的问题，重要的是要对更大的数据集进行训练，并且需要花费数小时甚至数天的时间。 注意：请检查我们的pix2pix和CycleGAN的实现。 PyTorch版本正在积极开发中，并且可以产生与该Torch版本相当或更好的结果。 建立 先决条件 L

通过预训练模型进行AttnGAN推理 运行推断 涉及三个步骤。 创建容器（可选地，选择cpu或gpu dockerfile： docker build -t "attngan" -f dockerfile.cpu . 运行容器： docker run -it --name attngan -p 8888:8888 attngan bash 运行jupyter笔记本。 学分 所有代码均已从借用。 此回购协议只是将评估api简化为一个Jupyter笔记本，而不是托管在Azure上。

Chapter 1, Introduction to Deep Learning, speaks all about refreshing general concepts and terminology associated with deep learning in a simple way without too much math and equations. Also, it will show how deep learning network has evolved throughout the years and how they are making an inroad in the unsupervised domain with the emergence of generative models. Chapter 2, Unsupervised Learning with GAN, shows how Generative Adversarial Networks work and speaks about the building blocks of GANs. It will show how deep learning networks can be used on semi-supervised domains, and how you can apply them to image generation and creativity. GANs are hard to train. This chapter looks at some techniques to improve the training/learning process. Chapter 3, Transfer Image Style Across Various Domains, speaks about being very creative with simple but powerful CGAN and CycleGAN models. It explains the use of Conditional GAN to create images based on certain characteristics or conditions. This chapter also discusses how to overcome model collapse problems by stabilizing your network training using BEGAN. And finally, it covers transferring styles across different domains (apple to orange; horse to zebra) using CycleGAN. Chapter 4, Building Realistic Images from Your Text, presents the latest approach of stacking Generative Adversarial Networks into multiple stages to decompose the problem of text to image synthesis into two more manageable subproblems with StackGAN. The chapter also shows how DiscoGAN successfully transfers styles across multiple domains to generate output images of handbags from the given input of shoe images or to perform gender transformations of celebrity images. Chapter 5, Using Various Generative Models to Generate Images, introduces the concept of a pretrained model and discusses techniques for running deep learning and generative models over large distributed systems using Apache Spark. We will then enhance the resolution of low quality images using pr

对抗性示例混淆了的梯度 对抗性示例是攻击者故意设计的机器学习模型的输入，该模型会导致模型出错。 它们就像是机器的光学错觉。 如果防御“没有有用的梯度”来生成对抗性示例，则称其会引起梯度掩蔽。 这里介绍了针对该主题的入门方法的论文，以及为对抗性示例建立辩护的一种可能方法。