Advertisement

UNetGAN: 基于U型网络的对抗性鉴别器实现（CVPR 2020论文正式版）

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本文提出了UNetGAN框架，创新地将U型网络应用于生成模型中的判别器设计中。该方法在多项图像处理任务上取得了显著效果，并于2020年被CVPR收录。 U-Net GAN PyTorch 实现了CVPR 2020论文“用于生成对抗网络的基于U网络的鉴别器”。 论文及其补充材料可获取。请务必查看补充文件中的Tensorflow FID（表S1）。该代码使用户能够重现并扩展研究报告的结果。在报告、复制或扩展结果时，请引用上述论文。 设置：从提供的unetgan.yml 文件创建conda环境“ unetgan”。可以使用training_scripts 文件夹中提供的脚本来复现实验，但需要手动设定实验文件夹和数据集文件夹。 参数解释： --unconditional 如果数据集没有类别标签（例如CelebA），请使用此选项。 --unet_mixup 使用CutMix技术。 --slow_mixup 对CutMix增强损失应用预热处理。 --slow_mixup_epochs 设置预热的时期数。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • UNetGAN: 基于U型网络的对抗性鉴别器实现（CVPR 2020论文正式版）
    优质
    本文提出了UNetGAN框架，创新地将U型网络应用于生成模型中的判别器设计中。该方法在多项图像处理任务上取得了显著效果，并于2020年被CVPR收录。 U-Net GAN PyTorch 实现了CVPR 2020论文“用于生成对抗网络的基于U网络的鉴别器”。 论文及其补充材料可获取。请务必查看补充文件中的Tensorflow FID（表S1）。该代码使用户能够重现并扩展研究报告的结果。在报告、复制或扩展结果时，请引用上述论文。 设置：从提供的unetgan.yml 文件创建conda环境“ unetgan”。可以使用training_scripts 文件夹中提供的脚本来复现实验，但需要手动设定实验文件夹和数据集文件夹。 参数解释： --unconditional 如果数据集没有类别标签（例如CelebA），请使用此选项。 --unet_mixup 使用CutMix技术。 --slow_mixup 对CutMix增强损失应用预热处理。 --slow_mixup_epochs 设置预热的时期数。
  • Panoptic-DeepLab：基于PyTorch的CVPR 2020论文重现
    优质
    《Panoptic-DeepLab》是CVPR 2020的一篇重要论文，该代码库提供了基于PyTorch框架下的模型实现，用于全景分割任务的研究与应用。 Panoptic-DeepLab 是一种最先进的自下而上的全景分割方法，在CVPR 2020上发布。它的目标是为输入图像中的每个像素分配语义标签（例如人、狗、猫）和实例标签（对于属于物体类别的像素，使用ID如1、2、3等）。这是基于Detectron2的CVPR 2020论文的一个PyTorch重新实现版本。 此外，在此仓库中现在还支持利用DeepLabV3和DeepLabV3+进行分割模型的操作。在消息[2021/01/25]，我们发现COCO实验中的旧配置文件存在错误（对于COCO，需要将MAX_SIZE_TRAIN从640更改为960）。现在我们已经复制了COCO的结果（35.5 PQ）。 在消息[2020/12/17]中，支持COCO数据集。而在消息[2020/12/11]，Detectron2版本的Panoptic-DeepLab现在支持DepthwiseSeparableConv2d。
  • CMGAN: IJCAI 2018论文《基于生成式对抗网络的跨模态人物再识别》的PyTorch实现代码
    优质
    这段简介可以描述为：CMGAN是IJCAI 2018论文中提出的一种创新方法，该论文介绍了一种基于生成式对抗网络（GAN）进行跨模态人物再识别的技术。此项目提供了一个使用PyTorch实现的代码版本，使研究者能够更便捷地应用和探索这一先进的人脸识别技术。 跨模式PRID-GAN IJCAI 2018论文的代码正在进行积极开发（大约近两年时间）。该模型对多模态图像（RGB和红外）执行对抗性学习，以实现跨模式重识别任务。预计在2021年夏季之前添加结果和模型信息，请持续关注。
  • SRGAN的PyTorch实现：基于CVPR 2017论文“利用生成对抗网络实现单幅图像的超分辨率照片级效果”
    优质
    本项目是针对CVPR 2017论文的实践，采用PyTorch框架实现SRGAN算法，旨在通过生成对抗网络技术提升单张低分辨率图片至高分辨率的照片级真实感。 SRGAN 是基于 CVPR 2017 论文的 PyTorch 实现。
  • 代码发布：利用选择性对抗网络实现部分迁移学习（CVPR 2018）
    优质
    本研究于2018年在计算机视觉与模式识别会议上发表，提出了一种新颖的选择性对抗网络模型，用于解决部分迁移学习中的关键问题。 SAN SAN库的代码版本包括caffe版本和pytorch版本。Caffe框架下的代码位于“ caffe”目录中，并且在该目录中的README.md文件中有详细的描述。同样地，PyTorch 0.3.1版本的相关代码存放在“ pytorch”目录下，其详细信息也在相应的README.md文档里。 如果您使用本项目进行研究，请参考以下文献： @InProceedings{Cao_2018_CVPR, author = {Cao, Zhangjie and Long, Mingsheng and Wang, Jianmin and Jordan, Michael I.}, title = {Partial Transfer Learning Wit}
  • PyTorch-GAN：基于PyTorch的生成对抗网络实现
    优质
    PyTorch-GAN是一款基于PyTorch框架开发的库，专注于提供多种生成对抗网络（GAN）模型的高效实现。该库简化了GAN的研究和应用过程，使开发者能够快速上手并进行创新实验。 该存储库已不再更新维护，因为我目前无法投入时间进行维护。如果您有兴趣作为合作者继续开发，请通过电子邮件与我联系。 PyTorch-GAN 是一个包含生成对抗网络的 PyTorch 实现集合的研究项目。虽然模型架构可能不完全遵循原始论文中的描述，但我更注重传达核心思想而非精确配置每一层。我们非常欢迎任何对 GAN 的贡献和建议。 安装说明如下： ``` $ git clone https://github.com/eriklindernoren/PyTorch-GAN $ cd PyTorch-GAN/ $ sudo pip3 install -r requirements.txt ``` 实现内容包括辅助分类器生成对抗网络，由奥古斯都·奥德纳（Augustus Odena）、克里斯托弗·奥拉（Christopher Olah）和乔纳森·希伦斯（Jonathon Shlens）提出。
  • 生成对抗网络（2014年论文）
    优质
    生成对抗网络（GAN）是由Ian Goodfellow等人在2014年提出的一种深度学习模型，通过两个神经网络的博弈过程来生成与训练数据分布相似的新样本。 生成对抗网络（GAN）是由Ian Goodfellow等人在2014年提出的一种深度学习模型。该论文详细介绍了如何通过两个神经网络的相互竞争来生成逼真的数据样本，其中一个网络负责生成新样本以模仿训练数据分布，另一个则试图辨别这些样本是否来自真实的数据集而非由生成器创建。 重写后的描述： 在2014年的一篇重要论文中，Ian Goodfellow及其合作者提出了生成对抗网络（GAN）的概念。此模型通过两个相互竞争的神经网络实现：一个负责创造新的数据样本来模仿训练集中存在的模式；另一个则致力于区分这些人工创建的数据与真实世界中的样本之间的差异。
  • OGNet: CVPR 2020论文《老是黄金》的代码实现
    优质
    简介：本文档提供了CVPR 2020论文《老是黄金》中的算法代码实现，旨在帮助研究者复现和理解该工作。项目名称为OGNet。 古老就是黄金：重新定义对抗性学习的分类器训练方法（CVPR 2020） 该代码最初是使用Python3.5构建的，但鉴于此版本已达到其生命周期终点(EOL)，现在已在Python 2.7上对该代码进行了验证。执行Train.py文件作为进入整个程序的主要入口点。 请按照“dataset.txt”文档中的指示，在“数据”目录下放置训练和测试图像。在第一阶段，请使用opts.py设置必要的选项；而在第二阶段，则需通过opts_fine_tune_discriminator.py进行相应配置。 在此之前，评估功能仅依赖于test.py文件的执行来完成。然而，对于当前版本而言，无需单独运行test.py脚本，因为代码内部每次调用时都会自动执行测试函数以对比基线和OGNet的结果。
  • AdvGAN_pytorch: 论文“生成对抗样本的对抗网络”相关代码
    优质
    AdvGAN_pytorch是基于论文《生成对抗样本的对抗网络》的PyTorch实现代码，用于研究和开发生成对抗性样本的技术。 Generating Adversarial Examples with Adversarial Networks (advGAN) 的 Pytorch 实现。训练目标模型通过运行 `python3 train_target_model.py` 来完成；训练 advGAN 通过执行 `python3 main.py` 完成；测试对抗样本则使用命令 `python3 test_adversarial_examples.py`。在 MNIST 测试集上的攻击成功率达到了 99%。需要注意的是，我的实现与论文略有不同，因为我添加了一个剪辑技巧。
  • 生成式对抗网络研究综述（2020年5月更新版）
    优质
    本论文为2020年5月更新版，全面回顾了生成式对抗网络的研究进展，涵盖模型架构、训练方法及应用领域，是理解GAN领域的权威综述。 最近，为了应对这些挑战，一些改进GANs设计与优化的方法已经被提出。这些方法涉及重新设计网络结构、引入新的目标函数以及采用替代的优化算法等方面的研究。据我们所知，目前还没有综述性文章专门系统地总结和探讨过这些问题的解决方案的发展历程。