【导读】当地时间 10月 22 日到10月29日，两年一度的计算机视觉国际顶级会议 International Conference on Computer Vision（ICCV 2017）在意大利威尼斯开幕。Google Brain 研究科学家 Ian Goodfellow 在会上作为主题为《生成对抗网络（Generative Adversarial Networks）》的Tutorial 最新演讲, 介绍了GAN的原理和最新的应用。昨天我们介绍了此内容，请查看
【干货】Google GAN之父Ian Goodfellow ICCV2017演讲：解读生成对抗网络的原理与应用
今天专知内容组特此整理了GAN的知识资料大全，为大家呈上，欢迎查看。
|
训练GANs的技巧
|
http://papers.nips.cc/paper/6124-improved-techniques-for-training-gans.pdf
|
|
Energy-Based GANs 以及Yann Le Cun 的相关研究
|
http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
|
|
模式正则化GAN
|
https://arxiv.org/pdf/1612.02136.pdf
|
|
最新NIPS2016也有最新的关于训练GAN模型的总结
|
https://github.com/soumith/ganhacks
|
|
The GAN Zoo千奇百怪的生成对抗网络，都在这里了。你没看错，里面已经有有近百个了。
|
https://github.com/hindupuravinash/the-gan-zoo
|
|
Ian Goodfellow的GANs报告ICCV 2017
|
https://pan.baidu.com/s/1bpIZvfL
|
|
Ian Goodfellow的GANs报告ICCV 2017的中文讲稿
|
https://mp.weixin.qq.com/s/nPBFrnO3_QJjAzm37G5ceQ
|
|
Ian Goodfellow的GANs报告NIPS 2016
|
http://www.iangoodfellow.com/slides/2016-12-04-NIPS.pdf
|
|
Ian Goodfellow的GANs报告NIPS 2016 的中文讲稿
|
http://www.sohu.com/a/121189842_465975
|
|
Russ Salakhutdinov的深度生成模型
|
http://www.cs.toronto.edu/~rsalakhu/talk_Montreal_2016_Salakhutdinov.pdf
|
|
NIPS 2016教程：生成对抗网络
|
https://arxiv.org/pdf/1701.00160.pdf
|
|
训练GANs的技巧和窍门
|
https://github.com/soumith/ganhacks
|
|
OpenAI生成模型
|
https://blog.openai.com/generative-models/
|
|
用Keras实现MNIST生成对抗模型
|
https://oshearesearch.com/index.PHP/2016/07/01/mnist-generative-adversarial-model-in-keras/
|
|
用深度学习TensorFlow实现图像修复
|
http://bamos.github.io/2016/08/09/deep-completion/
|
|
生成对抗网络初学入门：一文读懂GAN的基本原理
|
http://www.xtecher.com/Xfeature/view?aid=7496
|
|
深入浅出：GAN原理与应用入门介绍
|
https://zhuanlan.zhihu.com/p/28731033
|
|
港理工在读博士李嫣然深入浅出GAN之应用篇
|
https://pan.baidu.com/s/1o8n4UDk 密码: 78wt
|
|
中科院自动化所 中文综述 《生成式对抗网络 GAN 的研究进展与展望》
|
https://pan.baidu.com/s/1dEMITo9 密码: qqcc
|
|
萌物生成器：如何使用四种GAN制造猫图
|
https://zhuanlan.zhihu.com/p/27769807
|
|
GAN学习指南：从原理入门到制作生成Demo
|
https://zhuanlan.zhihu.com/p/24767059x
|
|
生成式对抗网络GAN研究进展
|
http://blog.csdn.net/solomon1558/article/details/52537114
|
|
生成对抗网络（GAN）的前沿进展（论文、报告、框架和Github资源）汇总
|
http://blog.csdn.net/love666666shen/article/details/74953970
|
|
中科院自动化所 中文综述 《生成式对抗网络 GAN 的研究进展与展望》
|
参考链接： https://pan.baidu.com/s/1dEMITo9 密码: qqcc
|
|
深度卷积生成对抗模型（DCGAN）
|
https://github.com/Newmu/dcgan_code
|
|
TensorFlow实现深度卷积生成对抗模型（DCGAN）
|
https://github.com/carpedm20/DCGAN-tensorflow
|
|
Torch实现深度卷积生成对抗模型（DCGAN）
|
https://github.com/soumith/dcgan.torch
|
|
Keras实现深度卷积生成对抗模型（DCGAN）
|
https://github.com/jacobgil/keras-dcgan
|
|
使用神经网络生成自然图像（Facebook的Eyescream项目）
|
https://github.com/facebook/eyescream
|
|
对抗自编码（AdversarialAutoEncoder）
|
https://github.com/musyoku/adversarial-autoencoder
|
|
利用ThoughtVectors 实现文本到图像的合成
|
https://github.com/paarthneekhara/text-to-image
|
|
对抗样本生成器（Adversarialexample generator）
|
https://github.com/e-lab/torch-toolbox/tree/master/Adversarial
|
|
深度生成模型的半监督学习
|
https://github.com/dpkingma/nips14-ssl
|
|
GANs的训练方法
|
https://github.com/openai/improved-gan
|
|
生成式矩匹配网络（Generative Moment Matching Networks, GMMNs）
|
https://github.com/yujiali/gmmn
|
|
对抗视频生成
|
https://github.com/dyelax/Adversarial_Video_Generation
|
|
基于条件对抗网络的图像到图像翻译（pix2pix）
|
https://github.com/phillipi/pix2pix
|
|
对抗机器学习库Cleverhans
|
https://github.com/openai/cleverhans
|
