Generative Adversarial Nets NIPS 摘要：本文通过对抗过程，提出了一种新的框架来预测产生式模型，我们同时训练两个模型：一个产生式模型 G，该模型可以抓住数据分布 还有一个判别式模型 D 可以预测来自训练样本 而不是 G 的样本的概率 训练 G 的目的是让 D 尽可能的犯错误，让其无法判断一个图像是产生的，还是来自训练样本 这个框架对应了一个 minimax two ...
2016-08-06 21:49 6 9552 推荐指数：
SeqGAN: Sequence generative adversarial nets with policy gradient AAAI-2017 Paper: https://arxiv.org/abs/1609.05473 Offical Tensorflow Code ...
论文：《Conditional Generative Adversarial Nets》 年份：2014年 引言 原始的GAN过于自由，训练会很容易失去方向，导致不稳定且效果差。比如说GAN生成MNIST数字的过程，虽然可以生成数字，但生成的结果是随机的（因为是根据输入的随机噪声 ...
Generative Adversarial Text to Image Synthesis ICML 2016 摘要：本文将文本和图像练习起来，根据文本生成图像，结合 CNN 和 GAN 来有效的进行无监督学习。 Attribute Representation ...
Semi-Supervised Learning with Generative Adversarial Networks 引言：本文将产生式对抗网络（GAN）拓展到半监督学习，通过强制判别器来输出类别标签。我们在一个数据集上训练一个产生式模型 G 以及 一个判别器 D，输入 ...
本文来自《Adversarial Autoencoders》，时间线为2015年11月。是大神Goodfellow的作品。本文还有些部分未能理解完全，不过代码在AAE_LabelInfo,这里实现了文中2.3小节，当然实现上有点差别，其中one-hot并不是11个类别，只是10个类别。 本文 ...
本文来自《Age Progression/Regression by Conditional Adversarial Autoencoder》，时间线为2017年2月。 该文很有意思，是如何通过当前图片生成你不同年龄时候的样子。 假设给你一张人脸（没有告诉你多少岁）和一堆网上爬取的人脸图像 ...
0. 背景 Junbo Zhao等人提出的“基于能量的GAN”网络，其将判别器视为一个能量函数而不需要明显的概率解释，该函数可以是一个可训练的损失函数。能量函数是将靠近真实数据流形的区域视为低能 ...
0 背景 在这之前大家在训练GAN的时候，使用的loss函数都是sigmoid_cross_entropy_loss函数，然而xudon mao等人发现当使用伪造样本去更新生成器（且此时伪造样本 ...
