优质GAN模型专栏目录
前言
生成对抗网络（GANs, Generative Adversarial Networks）是一种深度学习架构，由生成器（Generator）和判别器（Discriminator）组成，通常用于生成逼真的数据（如图像、视频、音频等）。GANs 在多个领域中得到了广泛的应用，且其优点也使得它在很多场景中表现出色。
·GAN的优点包括生成高质量数据、无监督学习、数据增强、灵活性和适应性、高效的表示学习、创新的生成能力、对抗训练的鲁棒性
该专栏主要利用Pytorch框架复现关于图像生成的GAN模型系列论文代码。目前包括的内容有关于图像超分辨率、低数据集样本图像生成等方面的作品。
代码使用教程链接：CSDN专栏关于生成对抗网络GAN的代码使用教程_哔哩哔哩_bilibili
该专栏下的每篇文章主要由以下几个部分构成：
- 文章简介
- 论文题目
- 来源
- 摘要
- 模型结构与创新设计
- 损失计算
- 训练自己数据集的代码
文章分类
超分辨率篇、损失函数篇、特殊场景应用篇、新结构设计以及暂未分类的篇章。
入门指南
生成对抗网络（GANs）入门介绍指南：让AI学会“创造“的魔法（一）
生成对抗网络（GANs）入门介绍指南：让AI学会“创造“的魔法（二）【深入版】
常见问题及生成技术综述
模式奔溃综述
GAN模式奔溃的探讨论文综述（一）
图像生成技术综述
工业缺陷图像生成综述（一）
评估指标
PSNR
IS
SSIM
MAE
CMMD
超分辨率
ISRGAN高分辨率图像生成训练自己的低分辨率图像
结合对抗、均方、感知三种损失以及对称卷积神经网络来实现超分辨率重建
SRGAN+CBAM的结构设计实现超分辨率
对称卷积神经网络结构实现超分辨率
GAN+ECA注意力机制实现图像超分辨率重建
损失函数
利用特征分布的差异来指导GAN的训练
一种基于扰动卷积层和梯度归一化的生成对抗网络
LSGAN中结合重建损失
GAN-C约束鉴别器训练自己的数据集
利用推土机距离与梯度惩罚在ACGAN中训练
对GAN的交替优化
粒子群优化算法在GAN中的应用
在训练图像和生成器之间建立逻辑和互惠的损失函数来训练GAN模型
混合成员GAN训练自己的数据集
最小二乘梯度归一化设计
一种基于最小二乘生成对抗网络的图像去噪算法
SPGAN: 相似性损失
CLR-GAN：一致性潜在表示
特殊场景应用
三元DCGAN生成RGB图像用于红外图像着色生成
基于最小二乘生成对抗网络的快速电磁超表面单元设计
基于多尺度融合生成对抗网络的水下图像增强
浑浊水下图像增强
结合mobilenetV2和FPN的GAN去雾算法
促进恶意软件图像合成GAN
FSGAN实现少样本视网膜血管分割
利用深度残差GAN做运动图像的去模糊
结合噪声制导与全局特征的GAN模型
新结构设计
利用多生成器来预防模式崩溃
一种基于扰动卷积层和梯度归一化的生成对抗网络
融合注意力机制和残差结构的EIGGAN
独立训练两个GAN来覆盖原始数据分布的不同部分
在鉴别器的输入中结合MHA来对少样本有更多注意
CHAIN（设计了一种归一化方法应用在了鉴别器上）
风格迁移
CLIPstyle文生图风格迁移生成自己描述的风格图
序列信息
基于GAN+序列后向选择的情绪识别增强方法
低照度图像增强
LLGAN：低光照图像增强方法
EnlightenGAN：低照度图像增强
文本生成图像
HDGAN
StackGAN（堆叠生成对抗网络）
StoryGAN
ACGAN：基于上下文感知的文升图GAN模型
STORM推理生成图像
图像修复
WGAN+U-Net架构实现图像修复
SCGAN实现人脸修复
普通GAN的人脸修复_dcgan人脸修复
BCGAN实现双生成器架构的人脸面部生成
EPGAN：融合高效注意力的生成对抗网络图像修复算法
DTPD：基于扩散的图像恢复方法
通用设计篇
NICKLE_AND_DIME_GAN：知识蒸馏与模型压缩技术的生成模型
适用于低数据领域问题的EVAGAN网络
SOMGAN：用自组织映射改善GAN的模式探索能力
扩散与自回归基线模型
扩散系列-DDPM：扩散模型
扩散系列-RRDM：残差扩散去噪模型
扩散系列-Fast-DDPM（医学图像生成）
ShortDF模型
自回归系列-RandAR
3D生成
这部分的内容建议需要体现修读计算机图形学与渲染技术。
NeRF：3D神经辐射场