-
UNSUPERVISED ADVERSARIAL IMAGE RECONSTRUCTION: https://openreview.net/pdf?id=BJg4Z3RqF7
notre papier
-
DCGAN: https://arxiv.org/pdf/1511.06434.pdf
la base des GANs qui marche, le papier résume la plus part des tricks à utiliser pour stabiliser l'entraînement du générateur et du discriminateur.
-
AMBIENTGAN: https://openreview.net/pdf?id=BJg4Z3RqF7
le papier présente l'un architecture de base pour le dé-bruitage de d'image. Notre papier améliore juste celui la.
-
SELF ATTENTION GENERATIVE ADVERSARIAL NETWORK: https://arxiv.org/pdf/1805.08318.pdf
c'est l'architecture du réseau utilisé dans notre papier. Ca permet au GAN de se "concentrer" sur des zones plus éloigné de l'image.s
├── README.md
├── log <- résultat
├── network <- réseaux
| ├── SAGAN.py
| └── DCGAN.py
|── dataset.py <- chargement des données
|── noise.py <- module de bruit
|── utils.py <- fonctions utiles
|── train.py <- entrainement du réseau
|── utils.py <- fonction utile (torch2numpy, affichage, sauvegarde...)
|── __main__.py <- main
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent