对抗网络专题文献集

第一篇论文

[生成对抗网]（关于它的第一篇文章）

[纸张]：HTTPS：//arxiv.org/abs/1406.2661

[代码]：HTTPS：//github.com/goodfeli/adversarial

未分类

[使用对角网络的拉普拉斯金字塔的深度生成图像模型]

[纸张] https://arxiv.org/abs/1506.05751

[代码] https://github.com/facebook/eyescream

（具有深卷积生成对抗网络的无监督表示学习）（Gan与卷积网络）（ICLR）

[纸张] https://arxiv.org/abs/1511.06434

[代码] https://github.com/jacobgil/keras-dcgan

[对抗自动编码器]

[纸张] http://arxiv.org/abs/1511.05644

[代码] https://github.com/musyoku/adversarial-autoencoder

[基于深度网络生成具有感知相似性度量的图像]

[纸张] https://arxiv.org/pdf/1602.02644v2.pdf

[生成具有复发性对抗网络的图像]

[纸张] https://arxiv.org/abs/1602.05110

[代码] https://github.com/ofirnachum/sequence_gan

[自然图像歧管的生成视觉操作]

[纸张] https://people.eecs.berkeley.edu/%7Ejunyanz/projects/gvm/eccv16_gvm.pdf

[代码] https://github.com/junyanz/iGAN

[生成对象文本到图像合成]

[纸张] https://arxiv.org/abs/1605.05396

[代码] https://github.com/reedscot/icml2016

[代码] https://github.com/paarthneekhara/text-to-image

[学习什么和在哪里画]

[纸张] http://www.scottreed.info/files/nips2016.pdf

[代码] https://github.com/reedscot/nips2016

[草图检索对抗培训]

[纸张] http://link.springer.com/chapter/10.1007/978-3-319-46604-0_55

[使用风格和结构对抗网络的生成图像建模]

[纸张] https://arxiv.org/pdf/1603.05631.pdf

[代码] https://github.com/xiaolonw/ss-gan

[生成对抗网络作为能量模型的变化训练]（ICLR 2017）

[纸张] http://www.mathpubs.com/detail/1611.01799v1/Generative-Adversarial-Networks-as-Variational-Training-of-Energy-Based-Models

[半监督文本分类对抗培训方法]（Ian Goodfellow Paper）

[纸张] https://arxiv.org/abs/1605.07725

[注意] https://github.com/dennybritz/deeplearning-papernotes/blob/master/notes/adversarial-text-classification.md

[通过对抗训练从模拟和无监督的图像学习]（苹果论文）

[纸张] https://arxiv.org/abs/1612.07828

[代码] https://github.com/carpedm20/simulated-unsupervised-tensorflow

[通过深层发电机网络合成神经网络神经元的首选输入]

[纸张] https://arxiv.org/pdf/1605.09304v5.pdf

[代码] https://github.com/Evolving-AI-Lab/synthesizing

[SalGAN：Visual Saliency Prediction with Generative Adversarial Networks]

[纸张] https://arxiv.org/abs/1701.01081

[代码] https://github.com/imatge-upc/saliency-salgan-2017

[对抗特征学习]

[纸张] https://arxiv.org/abs/1605.09782

[使用循环一致性对抗网络的无图像到图像转换]

[纸张] https://junyanz.github.io/CycleGAN/

[代码] https://github.com/junyanz/CycleGAN

合奏

[AdaGAN：Boosting Generative Models]（Google Brain）

[纸张] https://arxiv.org/abs/1701.02386

聚类

[使用生成对抗训练和聚类的无监督学习]（ICLR）

[纸张] https://openreview.net/forum?id=SJ8BZTjeg¬eId=SJ8BZTjeg

[代码] https://github.com/VittalP/UnsupGAN

[无监督和半监督学习与分类生成对抗网络]（ICLR）

[纸张] https://arxiv.org/abs/1511.06390

图像修复

[感知和语境损失的语义图像修复]

[纸张] https://arxiv.org/abs/1607.07539

[代码] https://github.com/bamos/dcgan-completion.tensorflow

[上下文编码器：通过修复进行功能学习]

[纸张] https://arxiv.org/abs/1604.07379

[代码] https://github.com/jazzsaxmafia/Inpainting

[上下文有条件生成对抗网络的半监督学习]

[纸张] https://arxiv.org/abs/1611.06430v1

联合概率

[对峙学习推论]

[纸张] https://arxiv.org/abs/1606.00704

[代码] https://github.com/IshmaelBelghazi/ALI

超分辨率

[通过深度学习的图像超分辨率]（仅面向数据集）

[代码] https://github.com/david-gpu/srez

[使用生成对抗网络的照片逼真单图像超分辨率]（使用深度残差网络）

[纸张] https://arxiv.org/abs/1609.04802

[代码] https://github.com/leehomyc/Photo-Realistic-Super-Resoluton

[EnhanceGAN]

[文件] https://medium.com/@richardherbert/faces-from-noise-super-enhancing-8x8-images-with-enhancegan-ebda015bb5e0#.io6pskvin

去除遮蔽

[强大的LSTM自动编码器在野外面部遮挡]

[纸张] https://arxiv.org/abs/1612.08534

语义分割

[使用对话网络的语义分割]（soumith的论文）

[纸张] https://arxiv.org/abs/1611.08408

对象检测

[用于小物体检测的感知生成对抗网络]（提交）

[A-Fast-RCNN：通过对象检测的对手的硬正产生]（CVPR2017）

[纸] http://abhinavsh.info/papers/pdfs/adversarial_object_detection.pdfRNN

[C-RNN-GAN：具有对抗性训练的连续循环神经网络]

[纸张] https://arxiv.org/abs/1611.09904

[代码] https://github.com/olofmogren/c-rnn-gan

有条件的对抗

[有条件生成对抗网]

[纸张] https://arxiv.org/abs/1411.1784

[代码] https://github.com/zhangqianhui/Conditional-Gans

[InfoGAN：Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets]

[纸张] https://arxiv.org/abs/1606.03657

[代码] https://github.com/buriburisuri/supervised_infogan

[使用条件对抗网络的图像到图像翻译]

[纸张] https://arxiv.org/pdf/1611.07004v1.pdf

[代码] https://github.com/phillipi/pix2pix

[代码] https://github.com/yenchenlin/pix2pix-tensorflow

[使用辅助分类器GAN的条件图像合成]（GoogleBrain ICLR 2017）

[纸张] https://arxiv.org/abs/1610.09585

[代码] https://github.com/buriburisuri/ac-gan

[像素级域名转移]

[纸张] https://arxiv.org/pdf/1603.07442v2.pdf

[代码] https://github.com/fxia22/pldtgan

[图像编辑的可逆条件GAN]

[纸张] https://arxiv.org/abs/1611.06355

[代码] https://github.com/Guim3/IcGAN

[即插即用生成网络：潜在空间中的条件迭代生成图像]

[纸张] https://arxiv.org/abs/1612.00005v1

[代码] https://github.com/Evolving-AI-Lab/ppgn

[StackGAN：文本到具有堆叠生成对话网络的照片逼真图像合成]

[纸张] https://arxiv.org/pdf/1612.03242v1.pdf

[代码] https://github.com/hanzhanggit/StackGAN

[无监督的图像到图像翻译与生成对抗网络]

[纸张] https://arxiv.org/pdf/1701.02676.pdf

[学习与生成对话网络发现跨域关系]

[纸张] https://arxiv.org/abs/1703.05192

[代码] https://github.com/carpedm20/DiscoGAN-pytorch

视频预测

[深度多尺度视频预测超过均方误差]（Yann LeCun的论文）

[纸张] https://arxiv.org/abs/1511.05440

[代码] https://github.com/dyelax/Adversarial_Video_Generation

[通过视频预测进行物理互动的无监督学习]（Ian Goodfellow的论文）

[纸张] https://arxiv.org/abs/1605.07157

[使用场景动态生成视频]

[纸张] https://arxiv.org/abs/1609.02612

[网络] http://web.mit.edu/vondrick/tinyvideo/

[代码] https://github.com/cvondrick/videogan

纹理合成和风格转移

[使用马尔可夫生成对抗网络的预计算实时纹理合成]（ECCV 2016）

[纸张] https://arxiv.org/abs/1604.04382

[代码] https://github.com/chuanli11/MGANs

GAN理论

[能源生成对抗网]（Lecun论文）

[纸张] https://arxiv.org/pdf/1609.03126v2.pdf

[代码] https://github.com/buriburisuri/ebgan

[改进GAN培训技巧]（Goodfellow的论文）

[纸张] https://arxiv.org/abs/1606.03498

[代码] https://github.com/openai/improved-gan

[模式正则化生成对抗网络]（Yoshua Bengio，ICLR 2017）

[纸张] https://openreview.net/pdf?id=HJKkY35le

[改进产生对抗网络的去噪特征匹配]（Yoshua Bengio，ICLR 2017）

[纸张] https://openreview.net/pdf?id=S1X7nhsxl

[代码] https://github.com/hvy/chainer-gan-denoising-feature-matching

[采样生成网络]

[纸张] https://arxiv.org/abs/1609.04468

[代码] https://github.com/dribnet/plat

[模式正则化生成对话网络]（Yoshua Bengio的论文）

[纸张] https://arxiv.org/abs/1612.02136

[如何训练甘斯]

[的Docu] https://github.com/soumith/ganhacks#authors

[面向训练生成对抗网络的原则方法]（ICLR 2017）

[纸张] http://openreview.net/forum?id=Hk4_qw5xe

[展开的生成对抗网络]

[纸张] https://arxiv.org/abs/1611.02163

[代码] https://github.com/poolio/unrolled_gan

[最小二乘法对抗网络]

[纸张] https://arxiv.org/abs/1611.04076

[代码] https://github.com/pfnet-research/chainer-LSGAN

[Wasserstein GAN]

[纸张] https://arxiv.org/abs/1701.07875

[代码] https://github.com/martinarjovsky/WassersteinGAN

[Lipschitz密度损失敏感的生成对抗网络]（与WGan相同）

[纸张] https://arxiv.org/abs/1701.06264

[代码] https://github.com/guojunq/lsgan

[面向训练生成对抗网络的原则方法]

[纸张] https://arxiv.org/abs/1701.04862

3D

[通过3D生成 - 对抗建模学习对象形状的概率潜在空间]（2016 NIPS）

[纸张] https://arxiv.org/abs/1610.07584

[网络] http://3dgan.csail.mit.edu/

[代码] https://github.com/zck119/3dgan-release

面对生成和编辑

[使用学习的相似性度量自动编码超像素

[纸张] https://arxiv.org/abs/1512.09300

[代码] https://github.com/andersbll/autoencoding_beyond_pixels

[耦合生成对抗网络]（NIPS）

[纸张] http://mingyuliu.net/

[Caffe Code] https://github.com/mingyuliutw/CoGAN

[Tensorflow Code] https://github.com/andrewliao11/CoGAN-tensorflow

[图像编辑的可逆条件GAN]

[纸张] https://drive.google.com/file/d/0B48XS5sLi1OlRkRIbkZWUmdoQmM/view

[代码] https://github.com/Guim3/IcGAN

[面部属性操纵的学习残差图像]

[纸张] https://arxiv.org/abs/1612.05363

[使用内省对抗网络进行神经照片编辑]（ICLR 2017）

[纸张] https://arxiv.org/abs/1609.07093

[代码] https://github.com/ajbrock/Neural-Photo-Editor

对于离散分布

[最大似然增强离散生成对抗网络]

[纸张] https://arxiv.org/abs/1702.07983v1

[边界寻求生成对抗网络]

[纸张] https://arxiv.org/abs/1702.08431

[GANS-GANSB]的分离元素序列与Gumbel-softmax分布

[纸张] https://arxiv.org/abs/1611.04051

项目

[cleverhans]（一个用于对抗脆弱性的对抗图书馆）

[代码] https://github.com/openai/cleverhans

[reset-cppn-gan-tensorflow]（使用残差生成对抗网络和变分自动编码器技术来产生高分辨率图像）

[代码] https://github.com/hardmaru/resnet-cppn-gan-tensorflow

（HyperGAN）（开源GAN着重于规模和可用性）

[代码] https://github.com/255bits/HyperGAN