cleverhans源代码

尽管使用更快更深的卷积神经网络在单图像超分辨率的准确性和速度方面取得了突破，但一个核心问题仍然很大程度上未解决：当我们在大的升级因子上超分辨时，我们如何恢复更精细的纹理细节？基于优化的超分辨率方法的行为主要由目标函数的选择驱动。近期工作主要集中在最小化均方重建误差。由此产生的估计具有高峰值信噪比，但它们通常缺乏高频细节，并且在感知上它们不能满足在较高分辨率下预期的保真度的感觉上不满意。在本文中，我们提出了SRGAN，一种用于图像超分辨率（SR）的生成对抗网络（GAN）。据我们所知，它是第一个能够推断4倍放大因子的照片般逼真的自然图像的框架。为实现这一目标，我们提出了一种感知损失函数，它包括对抗性损失和内容丢失。对抗性损失使用鉴别器网络将我们的解决方案推向自然图像流形，该网络经过训练以区分超分辨率图像和原始照片真实图像。另外，我们使用由感知相似性驱动的内容丢失而不是像素空间中的相似性。我们的深度残留网络能够在公共基准测试中从严重下采样的图像中恢复照片般逼真的纹理。广泛的平均意见得分（MOS）测试显示使用SRGAN在感知质量方面获得了巨大的显着提升。使用SRGAN获得的MOS分数比使用任何

１、压制性干扰 　　用无线电通信干扰设备在敌方通信频率或频段内，发射大功率的干扰信号，使敌收到的通信信号模糊不清或完全被干扰信号淹没，从而不能正常工作，称其为压制性干扰。 　　压制性干扰按照信号频谱宽度，又可分为瞄准式干扰和阻塞式干扰。

WaveGAN（v2）WaveGAN的官方实现，这是一种机器学习算法，用于学习生成原始音频波形。 更新（2/2/19）：为响应常见请求，我们对该存储库进行了重大改进。WaveGAN（v2）WaveGAN的正式实现，WaveGAN是一种机器学习算法，用于学习生成原始音频波形。 更新（2/2/19）：为响应常见请求，我们对该存储库进行了重大改进：添加了流数据加载器，使您可以在MP3 / WAV / OGGs / etc上训练WaveGAN。 无需预处理增强了训练WaveGAN的能力，能够生成更长的音频示例（在16kHz时长达4秒）增强了对任何音频采样率的支持增强了对mul的支持

Gan网络的原图像latents获取及特征分离

tf-3dgan, 3D 生成对抗性网络的Tensorflow实现 tf-3dgan 基于的生成对抗性网络的Tensorflow实施。这是一个tensorflow实现，通过 3D 个生成对抗建模学习对象形状的概率潜在空间。" 带有交互式卷图的博客文章。要求tensorflow>

C语言编写的对抗游戏，能帮助给同学关于编写简单程序的建议

一生一世学不完系列-红蓝对抗，里面包含了190页的红蓝对抗相关技术信息和网址，值得朋友们下载看看，学习一下，绝对物超所值。

对抗性纠缠的视听表示形式的会说话人脸生成 在这项工作中，我们提出了Disentangled Audio-Visual System (DAVS)来解决任意主题的说话人脸的生成问题，该目的是合成与给定语音语义相对应的一系列人脸图像，并以不受约束的语音音频或视频为条件。 要求 （我们使用版本0.2.0） 生成测试结果 下载预训练的模型 Create the default folder " checkpoints " and put the checkpoint in it or get the CHECKPOINT_PATH 可在名为文件夹中找到测试样本。 这是来自数据集的预处理样本。 运行测试脚本以从视频生成视频： python test_all.py --test_root ./0572_0019_0003/video --test_type video --test_au

GAN生成对抗网络入门与实战视频教程，新增Tensorflow2.0代码实现，16章完整版，提供源码和数据下载。 课程深入浅出，从深度学习（tensorflow）基础讲起，既有原理的介绍，又对实现代码做了精讲。为使课程简单易懂，代码实现全部从简，使用简洁的代码实现各种各样的GAN实例。本课程深入讲解近年来复杂分布上无监督学习方法——生成对抗网络（GAN）的原理与应用实例。