非常棒的GAN

生成对抗（神经）网络相关的论文及其他资源列表。 本网站由霍尔格·凯撒维护。 如需补充或更正，请通过 holger-at-it-caesar.com 与我联系，或访问 it-caesar.com。同时也可以查看 非常棒的语义分割 以及我们的 COCO-Stuff 数据集。

注意： 尽管本站备受关注（每月约3000名访客），但我将自2017年11月起不再添加新论文。我认为GAN已从一个冷门话题发展为当前主流研究方向，因此再试图列出所有GAN相关论文既不现实也不必要。不过，我欢迎其他人继续这项工作，并自由使用我的这份列表。

目录

• 推荐
• 研讨会
• 教程、讲习班与博客
• 视频
• 代码
• 论文
  • 概述
  • 理论与机器学习
  • 应用视觉
  • 其他应用
  • 幽默

推荐

• 超越人脸旋转：全局与局部感知GAN用于照片级真实感且保持身份一致的正面视图合成 [arXiv]
• 姿态引导的人像生成 [arXiv]
• 基于循环一致性的无配对图像到图像转换 [arXiv]

教程、讲习班与博客

• 哥伦比亚高级机器学习研讨会
  • GAN理论与实践的新进展 [博客]
  • 隐式生成模型——你打算用GAN做什么？[博客]
• 如何训练GAN？让GAN奏效的技巧与窍门 [博客]
• NIPS 2016教程：生成对抗网络 [arXiv]
• NIPS 2016关于对抗训练的研讨会 [网页] [博客]
• 关于深度学习与GAN背后的直觉——迈向根本理解 [博客]
• OpenAI - 生成模型 [博客]
• SimGANs——无监督学习、自动驾驶等领域中的变革者 [博客]
• 深入探讨GAN：从理论到生产（EuroScipy 2018） [GitHub]

书籍

• GAN实战：使用生成对抗网络进行深度学习 [书籍]

视频

• 伊恩·古德费洛讲解生成对抗网络 [视频]
• 马克·张讲解生成对抗网络教程 [视频]
• 米歇莱·德西莫尼和保罗·加莱奥内讲解的深入GAN课程：从理论到生产（EuroSciPy 2018） [视频]

代码

• Cleverhans：用于评估对抗样本脆弱性的库 [代码] [博客]
• 50行代码实现GAN（PyTorch） [博客] [代码]
• 生成模型：包含GAN、VAE等生成模型的集合，支持PyTorch和TensorFlow [代码]
• MNIST数据集上GAN论文的复现，仅用100行PyTorch代码 [博客] [代码]
• 条件生成对抗网络论文结果的复现，同样采用100行PyTorch代码 [代码]
• 改进GAN训练技术论文结果的复现，100行PyTorch代码 [代码]
• LSGAN论文结果的复现，100行PyTorch代码 [代码]
• WGAN论文结果的复现，100行PyTorch代码 [代码]
• pix2pix论文结果的复现，100行PyTorch代码 [代码]

论文

概述

• 生成对抗网络：综述 [arXiv]

理论与机器学习

• 基于分类视角的GAN分布 [arXiv]
• 生成对抗网络、逆强化学习与基于能量模型之间的联系 [arXiv]
• 面向可扩展对抗分类的一般性再训练框架 [Paper]
• 激活最大化生成对抗网络 [arXiv]
• AdaGAN：提升生成模型性能 [arXiv]
• 对抗自编码器 [arXiv]
• 对抗判别域适应 [arXiv]
• 对抗生成-编码网络 [arXiv]
• 对抗特征学习 [arXiv] [Code]
• 对抗式学习推理 [arXiv] [Code]
• AE-GAN：利用GAN进行对抗性消除 [arXiv]
• 用于结构化输出神经网络半监督训练的对抗正则化 [arXiv]
• APE-GAN：利用GAN进行对抗扰动消除 [arXiv]
• 关联式对抗网络 [arXiv]
• 使用学习到的相似性度量超越像素的自编码 [arXiv]
• 贝叶斯条件生成对抗网络 [arXiv]
• 贝叶斯GAN [arXiv]
• BEGAN：边界均衡生成对抗网络 [Paper] [arXiv] [Code]
• 用于图像检索的二值生成对抗网络 [arXiv]
• 寻求边界的生成对抗网络 [arXiv] [Code]
• CausalGAN：通过对抗训练学习因果隐式生成模型 [arXiv]
• 类别分裂生成对抗网络 [arXiv]
• 最大似然与基于GAN的Real NVPs训练比较 [arXiv]
• 用于属性引导人脸图像生成的条件循环GAN [arXiv]
• 条件生成对抗网络 [arXiv] [Code]
• 将生成对抗网络与演员-评论家方法连接起来 [Paper]
• 生成对抗网络中的持续学习 [arXiv]
• C-RNN-GAN：具有对抗训练的连续循环神经网络 [arXiv]
• CM-GANs：用于共同表示学习的跨模态生成对抗网络 [arXiv]
• 描述符与生成器网络的协同训练 [arXiv]
• 耦合生成对抗网络 [arXiv] [Code]
• 双重GAN [arXiv]
• 深层与分层隐式模型 [arXiv]
• 基于能量的生成对抗网络 [arXiv] [Code]
• 利用MMD神经架构搜索、PMish激活函数和自适应秩分解增强GAN [Paper] [Code] [Website] [YouTube] [Demo]
• 通过神经架构搜索和张量分解提升GAN性能 [Paper] [PDF] [Code]
• 解释与利用对抗样本 [arXiv]
• Flow-GAN：在生成模型中弥合隐式与显式学习 [arXiv]
• f-GAN：使用变分散度最小化训练生成式神经采样器 [arXiv] [Code]
• GAN团伙：采用最大间隔排序的生成对抗网络 [arXiv]
• 生成对抗网络（GAN）中的泛化与均衡 [arXiv]
• 利用递归对抗网络生成图像 [arXiv]
• 生成对抗网络 [arXiv] [Code] [Code]
• 生成对抗网络作为基于能量模型的变分训练 [arXiv]
• 具有逆变换单元的生成对抗网络 [arXiv]
• 生成对抗并行化 [arXiv] [Code]
• 用于一次学习的生成对抗残差成对网络 [arXiv]
• 生成对抗结构化网络 [Paper]
• 用于图像生成和数据增强的生成合作网络 [arXiv]
• 生成矩匹配网络 [arXiv] [Code]
• 利用对比GAN进行生成语义操纵 [arXiv]
• 几何GAN [arXiv]
• 优秀的半监督学习需要一个糟糕的GAN [arXiv]
• 梯度下降优化的GAN在局部是稳定的 [arXiv]
• 如何训练你的DRAGAN [arXiv]
• 图像质量评估技术表明自编码器生成对抗网络的训练和评估有所改善 [arXiv]
• 利用流形不变性，通过GAN改进半监督学习 [arXiv]
• 改进GAN训练的技术 [arXiv] [Code]
• 改进Wasserstein GAN的训练 [arXiv] [Code]
• InfoGAN：通过信息最大化生成对抗网络实现可解释的表征学习 [arXiv] [Code]
• 逆转生成对抗网络的生成器 [Paper]
• 只需两人：对抗生成-编码网络 [arXiv]
• KGAN：如何破解GAN中的极小极大博弈 [arXiv]
• 隐式生成模型中的学习 [Paper]
• 用于条件对抗网络知识蒸馏的学习损失 [arXiv]
• 学习使用生成对抗网络发现跨领域关系 [arXiv] [Code]
• 利用周期性空间GAN学习纹理流形 [arXiv]
• 最小二乘生成对抗网络 [arXiv] [Code]
• 将生成对抗学习与二分类联系起来 [arXiv]
• 对Lipschitz密度敏感的损失生成对抗网络 [arXiv]
• LR-GAN：用于图像生成的分层递归生成对抗网络 [arXiv]
• MAGAN：面向生成对抗网络的边缘适应 [arXiv] [Code]
• 最大似然增强的离散生成对抗网络 [arXiv]
• McGan：均值和协方差特征匹配GAN [arXiv]
• 消息传递多智能体GAN [arXiv]
• MMD GAN：迈向对矩匹配网络更深入的理解 [arXiv]
• 模式正则化的生成对抗网络 [arXiv] [Code]
• 多智能体多样化生成对抗网络 [arXiv]
• 多生成器生成对抗网络 [arXiv]
• 目标强化生成对抗网络（ORGAN）用于序列生成模型 [arXiv]
• 关于GAN的收敛性和稳定性 [arXiv]
• 批量归一化和权重归一化在生成对抗网络中的影响 [arXiv]
• 关于基于解码器的生成模型的定量分析 [arXiv]
• 优化生成网络的潜在空间 [arXiv]
• 用GAN参数化CNN的滤波器 [arXiv]
• PixelGAN自编码器 [arXiv]
• 逐步增长GAN以提高质量、稳定性和多样性 [arXiv] [Code]
• SegAN：具有多尺度L1损失的医学图像分割对抗网络 [arXiv]
• SeqGAN：带有策略梯度的序列生成对抗网络 [arXiv]
• 针对深度网络的简单黑盒对抗扰动 [Paper]
• Softmax GAN [arXiv]
• 通过正则化稳定生成对抗网络的训练 [arXiv]
• 堆叠式生成对抗网络 [arXiv]
• 深度生成图像的统计特性 [arXiv]
• 结构化生成对抗网络 [arXiv]
• 生成对抗网络的张量化 [arXiv]
• Cramer距离作为解决Wasserstein梯度偏斜问题的方法 [arXiv]
• 朝着理解用于联合分布匹配的对抗学习方向前进 [arXiv]
• 通过最大均值差异优化训练生成式神经网络 [arXiv]
• 三重生成对抗网络 [arXiv]
• 展开式生成对抗网络 [arXiv]
• 无监督表示学习与深度卷积生成对抗网络 [arXiv] [Code] [Code] [Code] [Code] [Code]
• Wasserstein GAN [arXiv] [Code] [Code]

应用视觉

• 基于对抗学习的单深度视图3D物体重建 [arXiv]
• 从多物体2D视图中推断3D形状 [arXiv]
• 使用GAN迈向程序化地形生成 [arXiv] [代码]
• 利用生成对抗网络进行视频异常事件检测 [arXiv]
• 针对车牌识别的对抗性训练样本生成 [arXiv]
• 结合感知损失的文本到图像合成对抗网络 [arXiv]
• 基于RGB的光谱图像空间上下文感知重建对抗网络 [arXiv]
• 用于侵袭性前列腺癌检测的对抗网络 [arXiv]
• 对抗PoseNet：一种结构感知的人体姿态估计卷积网络 [arXiv]
• 基于对抗训练的草图检索 [arXiv]
• 基于对抗学习的美学驱动图像增强 [arXiv]
• 基于条件对抗自编码器的年龄增长/退化模拟 [arXiv]
• AlignGAN：利用条件生成对抗网络学习跨域图像对齐 [arXiv]
• 用于图像超分辨率的折衷MAP推理 [arXiv]
• 借助增强型感知超分辨率网络分析感知与失真之间的权衡 [arXiv] [代码]
• 基于GAN的艺术化文本可视化新方法 [arXiv]
• 反化妆：学习一种双层对抗网络以实现不受化妆影响的人脸验证 [arXiv]
• 任意面部属性编辑：只更改你想要的部分 [arXiv] [代码]
• ARIGAN：使用生成对抗网络合成拟南芥植物 [arXiv]
• ArtGAN：基于条件分类GAN的艺术作品合成 [arXiv]
• 为提升图像分类而人工生成大数据：基于SAR数据的生成对抗网络方法 [arXiv]
• 自编码器引导的GAN用于中国书法合成 [arXiv]
• 自动画家：利用条件生成对抗网络从草图生成卡通图像 [arXiv]
• 基于对抗图像到图像网络的自动肝脏分割 [arXiv]
• 超越人脸旋转：全局与局部感知GAN，用于逼真且保持身份特征的正面视图合成 [arXiv]
• CAN：通过学习风格并偏离风格规范来生成“艺术”的创意对抗网络 [arXiv]
• CompoNet：通过部件合成与组合学习生成未见之物 [arXiv] [代码]
• 在生成对抗网络中使用循环损失进行压缩感知MRI重建 [arXiv]
• 用于脑肿瘤语义分割的条件对抗网络 [arXiv]
• 用于卷积人脸生成的条件生成对抗网络 [论文]
• 带辅助分类器GAN的条件图像合成 [论文] [arXiv] [代码]
• 用于抽象推理图生成的上下文RNN-GAN [arXiv]
• 可控生成对抗网络 [arXiv]
• 创意主义：一位能够创作专业作品的深度学习摄影师 [arXiv]
• 网络交叉：将GAN和VAE结合，共享潜在空间用于手部姿态估计 [arXiv]
• CVAE-GAN：通过非对称训练进行细粒度图像生成 [arXiv]
• 使用GAN进行分类中的数据增强 [arXiv]
• 深度生成对抗网络去除压缩伪影 [arXiv]
• 用于压缩感知的深度生成对抗网络（GANCS）可自动化MRI扫描 [arXiv]
• 用于逼真前列腺病灶MRI合成的深度生成对抗神经网络 [arXiv]
• 基于对抗网络拉普拉斯金字塔的深度生成图像模型 [arXiv] [代码] [博客]
• 超越均方误差的深度多尺度视频预测 [arXiv] [代码]
• 用于遥感图像的深度无监督表征学习 [arXiv]
• DeLiGAN：针对多样且有限数据的生成对抗网络 [arXiv]
• 保留深度结构的场景图像生成 [arXiv]
• DualGAN：用于图像到图像转换的无监督双向学习 [arXiv] [代码]
• 用于未来流嵌入式视频预测的双运动GAN [arXiv]
• 使用注意力GAN高效实现大规模图像超分辨率 [arXiv] [论文] [新闻]
• ExprGAN：可控表情强度的脸部表情编辑 [arXiv]
• 使用条件生成对抗网络进行人脸老化 [arXiv]
• 使用生成对抗网络进行人脸迁移 [arXiv]
• 多光谱条件生成对抗网络在卫星影像上进行云层去除 [arXiv]
• 基于空间条件生成对抗网络的徒手超声图像仿真 [arXiv]
• 从源域到目标域再返回：对称双向自适应GAN [arXiv]
• 基于循环神经网络的全分辨率图像压缩 [arXiv]
• 用于生物图像合成的GAN [arXiv]
• GeneGAN：从非配对数据中学习对象变形和属性子空间 [arXiv] [代码]
• 使用生成对抗网络生成保持身份特征的人脸 [arXiv]
• 生成以适应：利用生成对抗网络对齐领域 [arXiv]
• 用于人体动作合成的生成对抗图卷积网络 [arXiv] [代码]
• 用于监控中人物属性识别的生成对抗模型 [arXiv]
• 基于ResNet的条件图像恢复生成对抗网络 [arXiv]
• 基于生成对抗网络的偏振热像可见面合成 [arXiv]
• 用于视频超链接中多模态表征学习的生成对抗网络 [arXiv]
• 生成对抗文本到图像合成 [arXiv] [代码]
• 自然图像流形上的生成式视觉操纵 [项目] [YouTube] [论文] [代码]
• 3D形状的全局到局部生成模型 [项目][代码]
• GP-GAN：基于地标合成人脸的性别保持GAN [arXiv]
• GP-GAN：迈向逼真高分辨率图像融合 [arXiv]
• 半监督指导InfoGAN [arXiv]
• 如何用生成对抗网络欺骗放射科医生？肺癌诊断的视觉图灵测试 [arXiv]
• 基于3D生成对抗网络的分层细节增强网格状形状生成 [arXiv]
• 使用条件生成对抗网络进行高质量人脸图像超分辨率 [arXiv]
• 使用多对抗网络进行高质量人脸照片到素描合成 [arXiv]
• 使用条件生成对抗网络进行图像去雨处理 [arXiv]
• 使用变分信息生成对抗网络进行图像生成和编辑 [arXiv]
• 使用条件生成对抗网络进行图像到图像转换 [arXiv] [代码]
• 改进用于3D物体生成和重建的对抗系统 [arXiv] [代码]
• 使用条件生成对抗网络改善异构人脸识别 [arXiv]
• 通过人类交互改进图像生成模型 [arXiv]
• 使用生成对抗网络模仿驾驶员行为 [arXiv]
• 使用生成对抗网络进行交互式3D建模 [arXiv]
• 使用条件生成对抗网络集合构建术中器官运动模型 [arXiv]
• 可逆条件GAN用于图像编辑 [arXiv] [论文]
• 用于行人重识别的联合判别与生成学习 [项目] [论文] [YouTube] [哔哩哔哩] [海报] [代码]
• 用于人脸图像逆向光照的标签去噪对抗网络（LDAN）[arXiv]
• 学习驾驶模拟器 [arXiv]
• 学习用于高分辨率艺术品合成的生成对抗网络 [arXiv]
• 通过3D生成对抗建模学习对象形状的概率潜在空间 [arXiv]
• 通过对抗训练从模拟和无监督图像中学习 [arXiv]
• 使用生成对抗网络学习发现跨域关系 [arXiv]
• 学习使用生成对抗网络生成椅子 [arXiv]
• 学习使用多阶段动态生成对抗网络生成延时视频 [arXiv]
• 使用带有Wasserstein距离和感知损失的生成对抗网络进行低剂量CT图像去噪 [arXiv]
• MARTA GAN：用于遥感图像分类的无监督表征学习 [arXiv]
• 使用生成对抗网络创建百万像素尺寸图像 [arXiv]
• 基于对抗神经网络的显微镜细胞分割 [arXiv]
• MoCoGAN：分解运动与内容以生成视频 [arXiv]
• 多视角生成对抗网络 [论文]
• 带有内省对抗网络的神经照片编辑 [论文] [arXiv]
• 使用GAN进行组织病理学图像的染色风格迁移学习 [arXiv]
• 通过串联对抗网络进行轮廓着色 [arXiv]
• 用于图像到图像转换的感知对抗网络 [arXiv]
• 用于小目标检测的感知生成对抗网络 [arXiv]
• 使用生成对抗网络实现逼真单张图像超分辨率 [arXiv]
• 姿势引导的人物图像生成 [arXiv]
• 使用马尔可夫生成对抗网络预计算实时纹理合成 [arXiv]
• 用于视觉段落生成的递归主题转换GAN [arXiv]
• RenderGAN：生成逼真的标注数据 [arXiv]
• 3D点云的表征学习和对抗性生成 [arXiv]
• 使用局部显著性图和用于图像超分辨率的生成对抗网络进行视网膜血管分割 [arXiv]
• 使用生成对抗网络在眼底图像中进行视网膜血管分割 [arXiv]
• SAD-GAN：利用生成对抗网络进行自动驾驶模拟 [arXiv]
• SalGAN：利用生成对抗网络进行视觉显著性预测 [arXiv]
• SegAN：具有多尺度L1损失的医学图像分割对抗网络 [arXiv]
• SeGAN：分割并生成不可见的内容 [arXiv]
• 基于深度生成模型的语义图像修复 [arXiv]
• EdgeConnect：利用对抗边缘学习进行生成式图像修复 [arXiv] [代码]
• 基于对抗学习的语义图像合成 [arXiv]
• 使用对抗网络进行语义分割 [arXiv]
• 对生成对抗网络的潜在空间进行语义分解 [arXiv]
• 半潜伏GAN：学习从属性生成和修改人脸图像 [arXiv]
• 基于上下文条件生成对抗网络的半监督学习 [arXiv]
• 基于条件生成对抗网络的锐度感知低剂量CT去噪 [arXiv]
• 同时进行彩色和深度超分辨率的条件生成对抗网络 [arXiv]
• SingleGAN：通过单一生成器网络结合多种生成对抗学习实现图像到图像转换 [arXiv] [代码]
• 基于原始深度输入的生成对抗模仿学习实现社会合规导航 [arXiv]
• StackGAN：利用堆叠生成对抗网络实现文本到逼真图像的合成 [arXiv]
• StackGAN++：利用堆叠生成对抗网络实现逼真图像合成 [arXiv]
• 使用增强型残差U-net和辅助分类器GAN对素描进行风格迁移 [arXiv]
• 用于图像显著性检测的监督对抗网络 [arXiv]
• 利用多通道生成对抗网络（GANs）合成正电子发射断层扫描（PET）图像 [arXiv]
• 使用GAN合成丝状结构图像 [arXiv]
• 使用iDCGAN进行合成虹膜演示攻击 [arXiv]
• 由双重生成对抗网络合成的医疗图像 [arXiv]
• TAC-GAN：文本条件辅助分类器生成对抗网络 [arXiv]
• 带有奇异值截断的时序生成对抗网络 [arXiv]
• TextureGAN：利用纹理贴片控制深度图像合成 [arXiv]
• 基于空间生成对抗网络的纹理合成 [arXiv] [代码]
• 文本适应性生成对抗网络：用自然语言操纵图像 [arXiv] [代码]
• 条件类比GAN：在人物图像上交换时尚单品 [arXiv]
• TopoAL：一种面向拓扑的道路分割对抗学习方法 [论文]
• TopoGAN：一种面向拓扑的生成对抗网络 [论文]
• 朝着对抗性视网膜图像合成迈进 [arXiv] [代码] [演示]
• 通过条件GAN迈向多样且自然的图像描述 [arXiv]
• 朝着利用生成对抗网络自动创作动漫角色迈进 [arXiv]
• UGAN：利用生成对抗网络增强水下图像 [arXiv]
• 由GAN生成的未标记样本可在体外提升行人重识别基线 [arXiv] [代码]
• 使用循环一致对抗网络进行非配对图像到图像转换 [arXiv]
• 基于分类生成对抗网络的无监督和半监督学习 [arXiv]
• 无监督生成对抗网络辅助标记物发现以进行异常检测 [arXiv]
• 无监督跨域图像生成 [arXiv]
• 无监督多样化色彩化通过生成对抗网络实现 [arXiv]
• 无监督基于生成对抗网络的像素级领域适应 [arXiv]
• 无监督通过可重构生成对抗网络进行视觉属性转移 [arXiv]
• VIGAN：利用生成对抗网络填补缺失视图 [arXiv]
• WaterGAN：无监督生成网络使单目水下图像实现实时色彩校正 [arXiv]
• 用于3D重建的弱监督生成对抗网络 [arXiv]
• [TomoGAN：基于生成对抗网络的低剂量X射线断层扫描] [学者] [arXiv]

应用其他

• 自然语言的对抗生成 [arXiv]
• 面向语言生成的对抗排序 [arXiv]
• 用于半监督文本分类的对抗训练方法 [arXiv] [论文]
• 体绘制的生成模型 [[arXiv]](A Generative Model for Volume Rendering)
• ChemGAN药物发现挑战：AI能否再现天然化学多样性？[arXiv]
• 基于GAN生成针对黑盒攻击的对抗性恶意软件样本 [arXiv]
• 使用生成对抗网络生成多标签离散电子健康记录 [arXiv]
• 无需预训练的循环生成对抗网络语言生成 [arXiv]
• 学习通过对抗神经密码学保护通信 [arXiv] [博客]
• 借助泄露信息的对抗训练生成长文本 [arXiv]
• MidiNet：基于一维和二维条件的符号域音乐生成卷积生成对抗网络 [arXiv]
• MuseGAN：使用多轨序列生成对抗网络进行符号域音乐生成与伴奏 [arXiv]
• 利用生成对抗神经网络重建三维多孔介质 [arXiv] [代码]
• SEGAN：语音增强生成对抗网络 [arXiv]
• 基于深度网络的紧凑文档表示的半监督学习 [论文]
• SSGAN：基于生成对抗网络的安全隐写术 [arXiv]
• 隐写生成对抗网络 [arXiv]
• 朝着将概念空间嵌入神经表征的方向发展 [arXiv]

幽默

• 阻止GAN暴力：生成非对抗性网络 [arXiv]

really-awesome-gan 快速上手指南

重要说明：really-awesome-gan 并非一个可直接安装运行的软件库或框架，而是一个生成对抗网络（GAN）领域的论文、教程、代码实现及资源汇总清单。因此，本指南将指导你如何利用该列表中的资源，快速搭建环境并运行其中推荐的经典 GAN 代码示例。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统：Linux (推荐), macOS, 或 Windows (需配置 WSL2)
• Python 版本：Python 3.6 或更高版本
• 深度学习框架：推荐使用 PyTorch 或 TensorFlow（列表中大多数现代示例基于 PyTorch）
• 硬件加速：建议配备 NVIDIA GPU 并安装对应的 CUDA 驱动，以加速模型训练

前置依赖安装

建议使用 conda 或 pip 创建虚拟环境。以下以 PyTorch 为例（使用国内清华源加速）：

# 创建虚拟环境
conda create -n gan_env python=3.8
conda activate gan_env

# 安装 PyTorch (使用清华大学镜像源)
pip install torch torchvision torchaudio --index-url https://pypi.tuna.tsinghua.edu.cn/simple

# 安装其他常用依赖
pip install numpy matplotlib scipy tqdm --index-url https://pypi.tuna.tsinghua.edu.cn/simple

获取资源与代码

由于本项目是资源列表，你需要从列表中选择一个具体的代码仓库进行克隆。列表中推荐了几个适合新手入门的极简实现（"100 行代码系列"）。

以下以复现经典 GAN (MNIST) 为例：

# 克隆包含多个经典 GAN 复现的代码库
git clone https://github.com/MaximeVandegar/Papers-in-100-Lines-of-Code.git
cd Papers-in-100-Lines-of-Code/Generative_Adversarial_Networks

注：如果 GitHub 连接缓慢，可尝试使用国内镜像站下载或使用代理加速。

基本使用

进入目录后，你可以直接运行提供的 Python 脚本来训练模型并生成图像。

1. 运行训练脚本

在项目根目录下执行：

python main.py

• 该脚本将自动下载 MNIST 数据集。
• 开始训练生成器（Generator）和判别器（Discriminator）。
• 训练过程中会实时打印 Loss 信息。

2. 查看结果

训练完成后（或训练过程中），脚本通常会在当前目录下生成输出文件夹（如 results/ 或 images/），里面包含生成的假图片。

你可以使用以下命令快速预览生成的图像（如果项目中未包含查看脚本，可使用 Python 直接查看）：

# 使用 Python 和 matplotlib 查看最新生成的图像
python -c "import matplotlib.pyplot as plt; import os; files = sorted(os.listdir('results')); img = plt.imread(f'results/{files[-1]}'); plt.imshow(img); plt.show()"

进阶探索

really-awesome-gan 列表中还包含了更多高级应用的代码链接，你可以按照相同步骤克隆并运行：

• DCGAN: 更深层次的卷积生成网络
• CycleGAN: 无配对图像转换（如马变斑马）
• Pix2Pix: 有配对图像转换（如素描变照片）
• WGAN: 改进训练稳定性的 Wasserstein GAN

只需替换上述 git clone 的地址为列表中对应的子目录路径即可。例如：

cd ../Cycle_Consistent_Adversarial_Nets
python main.py

建议阅读原仓库中的 README.md 以获取特定模型的详细参数调整说明。