不可錯過的 GAN 資源：教程、視頻、代碼實現、89 篇論文下載

新智元編譯

目錄

• Workshops

• 教程 & 博客

• 論文

  理論 & 機器學習

  視覺應用

  其他應用

  幽默

• 視頻

• 代碼

Workshops

• NIP 2016 對抗訓練 Workshop

  【網頁】https://sites.google.com/site/nips2016adversarial/

  【博客】http://www.inference.vc/my-summary-of-adversarial-training-nips-workshop/

教程 & 博客

• 如何訓練 GAN？ 讓 GAN 工作的提示和技巧

  【博客】https://github.com/soumith/ganhacks

• NIPS 2016 教程：生成對抗網路

  【arXiv】https://arxiv.org/abs/1701.00160

• 深度學習和 GAN 背後的直覺知識——一個基礎理解

  【博客】https://blog.waya.ai/introduction-to-gans-a-boxing-match-b-w-neural-nets-b4e5319cc935

• OpenAI——生成模型

  【博客】https://openai.com/blog/generative-models/

• SimGANs——無監督學習的遊戲規則顛覆者，無人車等

  【博客】https://blog.waya.ai/simgans-applied-to-autonomous-driving-5a8c6676e36b

論文

理論 & 機器學習

• 生成對抗網路，逆向強化學習和 Energy-Based 模型之間的聯繫（A Connection between Generative Adversarial Networks, Inverse Reinforcement Learning, and Energy-Based Models ）

• 可擴展對抗分類的通用訓練框架（A General Retraining Framework for Scalable Adversarial Classification）

• 對抗自編碼器（Adversarial Autoencoders）

• 對抗判別的領域適應（Adversarial Discriminative Domain Adaptation）

• 對抗性 Generator-Encoder 網路（Adversarial Generator-Encoder Networks）

• 對抗特徵學習（Adversarial Feature Learning）

  【代碼】https://github.com/wiseodd/generative-models

• 對抗推理學習（Adversarially Learned Inference）

  【代碼】https://github.com/wiseodd/generative-models

• 結構化輸出神經網路半監督訓練的一種對抗正則化（An Adversarial Regularisation for Semi-Supervised Training of Structured Output Neural Networks）

• 聯想式對抗網路（Associative Adversarial Networks）

• b-GAN：生成對抗網路的一個新框架（b-GAN: New Framework of Generative Adversarial Networks）

  【代碼】https://github.com/wiseodd/generative-models

• 邊界尋找生成對抗網路（Boundary-Seeking Generative Adversarial Networks）

  【代碼】https://github.com/wiseodd/generative-models

• 條件生成對抗網路（Conditional Generative Adversarial Nets）

  【代碼】https://github.com/wiseodd/generative-models

• 結合生成對抗網路和 Actor-Critic 方法（Connecting Generative Adversarial Networks and Actor-Critic Methods）

• 描述符和生成網路的協同訓練（Cooperative Training of Descriptor and Generator Networks）

• Coupled Generative Adversarial Networks（CoGAN）

  【代碼】https://github.com/wiseodd/generative-models

• 基於能量模型的生成對抗網路（Energy-based Generative Adversarial Network）

  【代碼】https://github.com/wiseodd/generative-models

• 對抗樣本的解釋和利用（Explaining and Harnessing Adversarial Examples）

• f-GAN：使用變分發散最小化訓練生成式神經採樣器（f-GAN: Training Generative Neural Samplers using Variational Divergence Minimization）

• Gang of GANs: Generative Adversarial Networks with Maximum Margin Ranking

• 用遞歸對抗網路乘車圖像（Generating images with recurrent adversarial networks）

• Generative Adversarial Nets with Labeled Data by Activation Maximization

• 生成對抗網路（Generative Adversarial Networks）

  【代碼】https://github.com/goodfeli/adversarial

  【代碼】https://github.com/wiseodd/generative-models

• 生成對抗並行化（Generative Adversarial Parallelization）

  【代碼】https://github.com/wiseodd/generative-models

• One Shot學習的生成性對抗殘差成對網路（Generative Adversarial Residual Pairwise Networks for One Shot Learning）

• 生成對抗結構化網路（Generative Adversarial Structured Networks）

• 生成式矩匹配網路（Generative Moment Matching Networks）

  【代碼】https://github.com/yujiali/gmmn

• 訓練GAN的改進技術（Improved Techniques for Training GANs）

  【代碼】https://github.com/openai/improved-gan

• 改善訓練WGAN（Improved Training of Wasserstein GANs）

  【代碼】https://github.com/wiseodd/generative-models

• InfoGAN：通過信息最大化GAN學習可解釋表示（InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets）

  【代碼】https://github.com/wiseodd/generative-models

• 翻轉GAN的生成器（Inverting The Generator Of A Generative Adversarial Network）

• 隱式生成模型里的學習（Learning in Implicit Generative Models）

• 用GAN學習發現跨域關係（Learning to Discover Cross-Domain Relations with Generative Adversarial Networks）

  【代碼】https://github.com/wiseodd/generative-models

• 最小二乘生成對抗網路，LSGAN（Least Squares Generative Adversarial Networks）

  【代碼】https://github.com/wiseodd/generative-models

• LS-GAN，損失敏感GAN（Loss-Sensitive Generative Adversarial Networks on Lipschitz Densities）

• LR-GAN：用於圖像生成的分層遞歸GAN（LR-GAN: Layered Recursive Generative Adversarial Networks for Image Generation）

• MAGAN: Margin Adaptation for Generative Adversarial Networks

  【代碼】https://github.com/wiseodd/generative-models

• 最大似然增強的離散生成對抗網路（Maximum-Likelihood Augmented Discrete Generative Adversarial Networks）

• 模式正則化GAN（Mode Regularized Generative Adversarial Networks）

  【代碼】https://github.com/wiseodd/generative-models

• Multi-Agent Diverse Generative Adversarial Networks

• 生成對抗網路中Batch Normalization和Weight Normalization的影響（On the effect of Batch Normalization and Weight Normalization in Generative Adversarial Networks）

• 基於解碼器的生成模型的定量分析（On the Quantitative Analysis of Decoder-Based Generative Models）

• SeqGAN：策略漸變的序列生成對抗網路（SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient）

• 深度網路的簡單黑箱對抗干擾（Simple Black-Box Adversarial Perturbations for Deep Networks）

• Stacked GAN（Stacked Generative Adversarial Networks）

• 通過最大均值差異優化訓練生成神經網路（Training generative neural networks via Maximum Mean Discrepancy optimization）

• Triple Generative Adversarial Nets

• Unrolled Generative Adversarial Networks

• DCGAN無監督表示學習（Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks）

  【代碼】https://github.com/Newmu/dcgan_code

  【代碼】https://github.com/pytorch/examples/tree/master/dcgan

  【代碼】https://github.com/carpedm20/DCGAN-tensorflow

  【代碼】https://github.com/jacobgil/keras-dcgan

• Wasserstein GAN（WGAN）

  【代碼】https://github.com/martinarjovsky/WassersteinGAN

  【代碼】https://github.com/wiseodd/generative-models

視覺應用

• 用對抗網路檢測惡性前列腺癌（Adversarial Networks for the Detection of Aggressive Prostate Cancer）

• 條件對抗自編碼器的年齡遞進/回歸（Age Progression / Regression by Conditional Adversarial Autoencoder）

• ArtGAN：條件分類GAN的藝術作品合成（ArtGAN: Artwork Synthesis with Conditional Categorial GANs）

• Beyond Face Rotation: Global and Local Perception GAN for Photorealistic and Identity Preserving Frontal View Synthesis

• 卷積人臉生成的條件GAN（Conditional generative adversarial nets for convolutional face generation）

• 輔助分類器GAN的條件圖像合成（Conditional Image Synthesis with Auxiliary Classifier GANs）

  【代碼】https://github.com/wiseodd/generative-models

• 使用對抗網路的Laplacian金字塔的深度生成圖像模型（Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks）

  【代碼】https://github.com/facebook/eyescream

  【博客】http://soumith.ch/eyescream/

• Deep multi-scale video prediction beyond mean square error

  【代碼】https://github.com/dyelax/Adversarial_Video_Generation

• DualGAN：圖像到圖像翻譯的無監督Dual學習（DualGAN: Unsupervised Dual Learning for Image-to-Image Translation）

  【代碼】https://github.com/wiseodd/generative-models

• 用循環神經網路做全解析度圖像壓縮（Full Resolution Image Compression with Recurrent Neural Networks）

• 生成以適應：使用GAN對齊域（Generate To Adapt: Aligning Domains using Generative Adversarial Networks）

• 生成對抗文本到圖像的合成（Generative Adversarial Text to Image Synthesis）

  【代碼】https://github.com/paarthneekhara/text-to-image

• 自然圖像流形上的生成視覺操作（Generative Visual Manipulation on the Natural Image Manifold）

  【項目】http://www.eecs.berkeley.edu/~junyanz/projects/gvm/

  【視頻】https://youtu.be/9c4z6YsBGQ0

  【代碼】https://github.com/junyanz/iGAN

• Image De-raining Using a Conditional Generative Adversarial Network

• Image Generation and Editing with Variational Info Generative Adversarial Networks

• 用條件對抗網路做 Image-to-Image 翻譯（Image-to-Image Translation with Conditional Adversarial Networks）

  【代碼】https://github.com/phillipi/pix2pix

• 用GAN模仿駕駛員行為（Imitating Driver Behavior with Generative Adversarial Networks）

• 可逆的條件GAN用於圖像編輯（Invertible Conditional GANs for image editing）

• 學習驅動模擬器（Learning a Driving Simulator）

• 多視角GAN（Multi-view Generative Adversarial Networks）

• 利用內省對抗網路編輯圖片（Neural Photo Editing with Introspective Adversarial Networks）

• 使用GAN生成照片級真實感的單一圖像超解析度（Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network）

• Recurrent Topic-Transition GAN for Visual Paragraph Generation

• RenderGAN：生成現實的標籤數據（RenderGAN: Generating Realistic Labeled Data）

• SeGAN: Segmenting and Generating the Invisible

• 使用對抗網路做語義分割（Semantic Segmentation using Adversarial Networks）

• 半隱性GAN：學習從特徵生成和修改人臉圖像（Semi-Latent GAN: Learning to generate and modify facial images from attributes）

• TAC-GAN - 文本條件輔助分類器GAN（TAC-GAN - Text Conditioned Auxiliary Classifier Generative Adversarial Network）

• 通過條件GAN實現多樣化且自然的圖像描述（Towards Diverse and Natural Image Descriptions via a Conditional GAN）

• GAN 提高人的體外識別基線的未標記樣本生成（Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro）

• Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks

• 無監督異常檢測，用GAN指導標記發現（Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery）

• 無監督跨領域圖像生成（Unsupervised Cross-Domain Image Generation）

• WaterGAN：實現單目水下圖像實時顏色校正的無監督生成網路（WaterGAN: Unsupervised Generative Network to Enable Real-time Color Correction of Monocular Underwater Images）

其他應用

• 基於生成模型的文本分類的半監督學習方法（Adversarial Training Methods for Semi-Supervised Text Classification）

• 學習在面對對抗性神經網路解密下維護溝通保密性（Learning to Protect Communications with Adversarial Neural Cryptography）

  【博客】http://t.cn/RJitWNw

• MidiNet：利用 1D 和 2D條件實現符號域音樂生成的卷積生成網路（MidiNet: A Convolutional Generative Adversarial Network for Symbolic-domain Music Generation using 1D and 2D Conditions）

• 使用生成對抗網路重建三維多孔介質（Reconstruction of three-dimensional porous media using generative adversarial neural networks）

  【代碼】https://github.com/LukasMosser/PorousMediaGan

• Semi-supervised Learning of Compact Document Representations with Deep Networks

• Steganographic GAN（Steganographic Generative Adversarial Networks）

Humor

視頻

• Ian Goodfellow：生成對抗網路

  【視頻】http://t.cn/RxxJF5A

• Mark Chang：生成對抗網路教程

  【視頻】http://t.cn/RXJOKK1

代碼

• Cleverhans：一個對抗樣本的機器學習庫

  【代碼】https://github.com/openai/cleverhans

  【博客】http://cleverhans.io/

• 50行代碼實現GAN（PyTorch）

  【代碼】https://github.com/devnag/pytorch-generative-adversarial-networks

  【博客】https://medium.com/@devnag/generative-adversarial-networks-gans-in-50-lines-of-code-pytorch-e81b79659e3f

• 生成模型集，e.g. GAN, VAE，用 Pytorch 和 TensorFlow 實現

  【代碼】https://github.com/wiseodd/generative-models

【進入新智元微信公眾號，在對話框輸入「170501」下載全部 89 篇論文】

原文地址：https://github.com/nightrome/really-awesome-gan

新智元招聘

職位：客戶總監

職位年薪：30 - 60萬（工資+獎金）

工作地點：北京-海淀區

所屬部門：客戶部

彙報對象：COO

下屬人數：8 人

工作年限：5 年

語 言：英語 + 普通話

學歷要求：全日制統招本科

職位描述：

1. 熱愛人工智慧，在行業內有一定的人脈資源和影響力；

2. 為客戶制定媒體關係策略和公關活動策劃，達成客戶的市場或傳播目標；

3. 負責監督公關項目的計劃和實施，使項目能按期在預算內完成；

4. 積極拓展客戶資源，開發公司業務，與既有客戶保持緊密的業務聯絡和溝通；

5. 監督、管理及考核客戶服務團隊，全面提升公司客戶服務質量；

6. 有4A、公關公司工作經歷優先，有知名企業或知名媒體機構工作經驗者加分。

崗位職責：

精準把握客戶需求，了解新智元定位，負責制定、執行公司年度會展活動及其他客戶經營服務計劃，監督實施全過程，完成業績指標。掌握 AI 產業動態，熟悉市場狀況，定期提出客戶服務計劃和建議。積極開拓新客戶，提升與既有客戶、同行業間良好的合作關係；組織部門開發多種服務計劃，完成客戶服務目標及確保回款任務。負責管理和培訓客戶部業務人員，安排並指導客戶部日常工作，與其他部門良好協作。

應聘郵箱：jobs@aiera.com.cn

HR微信：13552313024

新智元歡迎有志之士前來面試，更多招聘崗位請點擊【新智元招聘】查看。