开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

DCGAN如何使用RGB代替灰度

DCGAN（Deep Convolutional Generative Adversarial Network）是一种深度卷积生成对抗网络，用于生成逼真的图像。它是由生成器网络和判别器网络组成的。

生成器网络负责生成图像，它接收一个随机噪声向量作为输入，并通过一系列的卷积、反卷积和激活函数操作，逐渐将噪声向量转化为逼真的图像。生成器网络的目标是尽可能地欺骗判别器网络。

判别器网络负责判断输入的图像是真实图像还是生成器生成的图像。它通过一系列的卷积、池化和激活函数操作，将输入图像映射到一个概率值，表示该图像是真实图像的概率。判别器网络的目标是尽可能地准确判断真实图像和生成图像。

DCGAN使用RGB代替灰度的方法是将生成器和判别器网络的输入和输出通道数从1（灰度图像）增加到3（RGB图像）。这样可以使生成的图像更加丰富多彩。

DCGAN的优势在于能够生成高质量、逼真的图像，可以应用于图像生成、图像增强、图像修复等领域。例如，在艺术创作中，可以使用DCGAN生成艺术作品的变体；在数据增强中，可以使用DCGAN生成更多的训练样本。

腾讯云提供了一系列与DCGAN相关的产品和服务，例如：

腾讯云AI画像处理（https://cloud.tencent.com/product/ai-image）该产品提供了图像处理的各种功能，包括图像生成、图像修复等，可以与DCGAN结合使用。
腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）该平台提供了强大的机器学习和深度学习工具，可以用于训练和部署DCGAN模型。
腾讯云GPU服务器（https://cloud.tencent.com/product/cvm/gpu） GPU服务器提供了强大的计算能力，可以加速DCGAN的训练和推理过程。

总结：DCGAN是一种深度卷积生成对抗网络，用于生成逼真的图像。通过使用RGB代替灰度，可以生成更加丰富多彩的图像。腾讯云提供了与DCGAN相关的产品和服务，可以帮助用户进行图像生成、图像修复等任务。

相关搜索:如何将灰度图像转换为rgb RGB图像？如何使用hsl代替rgb for scss全局声明javascript api 如何使用EBImage将灰度图像列表转换为RGB图像？如何在Java中将RGB颜色转换为灰度无法使用scikit图像将RGB图像转换为灰度如何将rgb视频转换为灰度并保存？如何通过调整RGB值来编写自定义灰度滤镜？我无法使用CV在python中将RGB颜色更改为灰度图像如何为YOLO v3训练将RGB输入转换为灰度？如何将mnist这样的数据集从RGB转换为灰度？如何将RGB图像转换为单通道图像(但无灰度)图像如何使用ip代替域名如何使用新的灰度图如何使用滑块更改RGB值？编辑:如何使用gzip代替tar 如何使用'for循环'代替'while循环'如何使用变量代替类:contains？如何使用键盘灰度化视频流？如何使用mxnet加载灰度png文件？在Google Earth Engine中使用Python API将RGB图像转换为单波段灰度图像

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

【1】GAN在医学图像上的生成，今如何？

最初，GAN在被提出时，是一个无监督（无条件）的生成框架：例如在图像合成中，将随机噪声映射到逼真的目标图像。

02

寻找下一款Prisma APP：深度学习在图像处理中的应用探讨

在9月23日到9月24日的MDCC 2016年中国移动者开发大会“人工智能与机器人”专场中，阿里云技术专家周昌进行了题为《寻找下一款Prisma APP：深度学习在图像处理中的应用探讨》的演讲。演讲中，他主要介绍深度学习在图像处理领域中的应用，主要内容包括：传统的图像处理：如超分辨、灰度图彩色化、2D/3D转换等；图像/视频风格化；图像生成。

03

一个快速构造GAN的教程：如何用pytorch构造DCGAN

在本教程中，我们将在PyTorch中构建一个简单的DCGAN，并在手写数据集上对它进行训练。我们将讨论PyTorch DataLoader，以及如何使用它将图像数据提供给PyTorch神经网络进行训练。PyTorch是本教程的重点，所以我假设您熟悉GAN的工作方式。

04

塔秘 | 揭密GAN（生成对抗网络）

前言生成式对抗网络（GAN），是14年GoodfellowIan在论文Generative Adversarial Nets中提出来的。Yann LeCun曾评价GAN是“20年来机器学习领域最酷的想法。本文以在图像领域表现效果较好的GAN衍生模型DCGAN为基础，带大家全面了解一下GAN的算法。一、GAN算法原理在介绍GAN算法之前需要先了解两个基本基本名称，生成模型和判别模型。生成模型：就是基于根据给定观测数据，找出观测数据内部的统计规律，并且能够依据基于所得的概率分布模型，产生全新的，与观测数

06

深度卷积生成对抗网络DCGAN

在原始的GAN[1]中，生成网络和判别网络使用的都是前馈神经网络MLP。随着深度学习技术的发展，得益于卷积神经网络CNN在图像领域的成功，在DCGAN[2]中尝试将CNN与GAN相结合，用CNN网络替换GAN的生成网络和判别网络中的MLP，同时在训练的过程中使用了一些技巧来避免模型崩溃和模型不收敛等问题。

05

生成式之DCGAN生成漫画头像

DCGAN是GAN的扩展，使用卷积和转置卷积层来分别构建判别器和生成器。它由Radford等人提出，判别器包括卷积层、BatchNorm层和LeakyReLU激活层，生成器包括转置卷积层、BatchNorm层和ReLU激活层。本教程将使用动漫头像数据集来训练该网络，并生成动漫头像图片。

01

基础 | 如何通过DCGAN实现动漫人物图像的自动生成？

基于生成对抗网络（GAN）的动漫人物生成近年来兴起的动漫产业新技术。传统的GAN模型利用反向传播算法，通过生成器和判别器动态对抗，得到一个目标生成模型。由于训练过程不稳定，网络难以收敛，导致生成的图像缺乏多样性和准确性，甚至会产生模式崩溃。本文基于深度学习，参考相关实战项目pytorch-book，学习网络的训练方法，采用经过标准化处理和分类的动漫人物面部图像知乎用户何之源分享的素材，训练DCGAN，实现动漫人物图像自动生成。在训练过程中，控制实验参数，进行定量分析和优化，得到可自动生成动漫人物图像的生成器模型。主要工作如下：

01

【百战GAN】新手如何开始你的第一个生成对抗网络(GAN)任务

生成对抗网络如今在计算机视觉的很多领域中都被广泛应用，需要每一个学习深度学习相关技术的算法人员掌握，我们公众号和知识星球讲述了非常多的理论知识，在这个《百战GAN》专栏中，我们会配合各类实战案例来帮助大家进行提升，本次项目开发需要以下环境：

01

《白话深度学习与Tensorflow》学习笔记（6）生成式对抗网络(GAN)

生成对抗网络（generative adversarial networks）: G:生成式模型用于生成新的结果；D:判别式模型：将G生成的结果输入到D进行判别。 D的训练是希望尽可能正确提取x特征，增大正确判断的概率D（x） G的训练是希望尽可能伪造出一些图片让D误以为是真的，增大1-D(G(z))。最终目的是训练D、G达到一个平衡使得G所生成的图片（结果）能够以假乱真。在这个网络里没有损失函数的的概念，而是为了寻求一个最大值。 GAN也可能出现不收敛的问题，D和G在做纳什均衡，只有保证评价函数是凹

09

MMGeneration | PyTorch 零基础入门 GAN 模型

不知七夕大家成功检测到对象没? 没有检测到也别着急小编这不是带着 MMGeneration 来了吗！那么怎么生成对象呢? 对象是什么，对象怎么生成？今天小编就来带领大家学习一下到底怎么生成对象，关

01

[GAN学习系列3]采用深度学习和 TensorFlow 实现图片修复(上）

在之前的两篇 GAN 系列文章--[GAN学习系列1]初识GAN以及[GAN学习系列2] GAN的起源中简单介绍了 GAN 的基本思想和原理，这次就介绍利用 GAN 来做一个图片修复的应用，主要采用的也是 GAN 在网络结构上的升级版--DCGAN，最初始的 GAN 采用的还是神经网络，即全连接网络，而 DCGAN 则是换成卷积神经网络（CNNs）了，这可以很好利用 CNN 强大的特征提取能力，更好的生成质量更好的图片。

03

Depth Perception with cGAN cyclegan做视觉深度学习

http://cs231n.stanford.edu/reports/2017/pdfs/200.pdf

02

tensorflow实现基于深度学习的图像补全

大数据文摘作品，转载要求见文末作者 | Brandon Amos 编译 | Molly，寒小阳目录 ■ 简介 ■ 第一步：将图像理解为一个概率分布的样本你是怎样补全缺失信息的呢？但是怎样着手统计呢？这些都是图像啊。那么我们怎样补全图像？ ■ 第二步：快速生成假图像在未知概率分布情况下，学习生成新样本 [ML-Heavy] 生成对抗网络(Generative Adversarial Net, GAN) 的架构使用G(z)生成伪图像 [ML-Heavy] 训

05

如何用TensorFlow实现基于深度学习的图像补全？看完这篇就明白了

作者|Brandon Amos 译者|@MOLLY && 寒小阳简介第一步：将图像理解为一个概率分布的样本你是怎样补全缺失信息的呢？但是怎样着手统计呢？这些都是图像啊。那么我们怎样补全图像？第二步：快速生成假图像在未知概率分布情况下，学习生成新样本 [ML-Heavy] 生成对抗网络(Generative Adversarial Net, GAN) 的架构使用G(z)生成伪图像 [ML-Heavy] 训练DCGAN 现有的GAN和DCGAN实现 [ML-Heavy] 在Tens

入门 | 想实现DCGAN？从制作一张门票谈起！

选自FreeCodeCamp 作者：Thalles Silva 机器之心编译参与：陈韵竹、蒋思源生成对抗网络因为优雅的创意和优秀的性能吸引了很多研究者与开发者，本文从简洁的案例出发详解解释了 DCGAN，包括生成器的解卷积和判别器的卷积过程。此外，本文还详细说明了 DCGAN 的实现过程，是非常好的实践教程。热身假设你附近有个很棒的派对，你真的非常想去。但是，存在一个问题。为了参加聚会，你需要一张特价票——但是，票已经卖完了。等等！难道这不是关于生成对抗网络（Generative Adversa

08

IEEE TNNLS｜GAN的生成器反演

今天给大家介绍帝国理工学院的Antonia Creswell等人在IEEE Transactions on Neural Networks and Learning Systems上发表的文章” Inverting the Generator of a Generative Adversarial Network”。生成性抗网络(Generative Adversarial Network，GAN)能够生成新的数据样本。生成模型可以从选定的先验分布中提取的潜在样本来合成新的数据样本。经过训练，潜在空间会显示出有趣的特性，这些特性可能对下游任务(如分类或检索)有用。不幸的是，GAN没有提供“逆模型”，即从数据空间到潜在空间的映射，这使得很难推断给定数据样本的潜在表示。在这篇文章中，作者介绍了一种技术：反演(Inversion)，使用反演技术，我们能够识别训练后的神经网络建模和量化神经网络性能的属性。

02

从头训练一个神经网络！教它学会莫奈风格作画！⛵

图片本文使用 GAN(生成对抗网络)进行AI绘画。torchgan是基于PyTorch的一个GAN工具库，本文讲解搭建DCGAN神经网络，并应用于『莫奈』风格绘画的全过程。---💡 作者：韩信子@ShowMeAI📘 深度学习实战系列：https://www.showmeai.tech/tutorials/42📘 PyTorch 实战系列：https://www.showmeai.tech/tutorials/44📘 本文地址：https://www.showmeai.tech/article-detail/

04

别人家的高中生：入大学前，Ta详细梳理了GAN的发展脉络

昨天，reddit 上出现了一个关于梳理 GAN 发展脉络的博客，作者在博客中详细梳理了过去几年的 GAN 发展历程，包含众多 SOTA 论文及其代码和对应的学习资源。难能可贵的是，博客作者三月份才刚高中毕业，然后利用上大学之前的时间完成了这篇文章。

05

DCGAN、WGAN、WGAN-GP、LSGAN、BEGAN原理总结及对比

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_25737169/article/details/78857788

03

GAN系列学习(2)——前生今世

作者：刘威威编辑：李文臣本文是GAN系列学习--前世今生第二篇，在第一篇中主要介绍了GAN的原理部分，在此篇文章中，主要总结了常用的GAN包括DCGAN,WGAN,WGAN-GP,LSGAN-BEGAN的详细原理介绍以及他们对GAN的主要改进，并推荐了一些Github代码复现链接。本文旨在对GAN的变种做一些梳理工作，详细请看下文。 3 1.DCGAN 【Paper】： http://arxiv.org/abs/1511.06434 【github】 : https

06

探索生成式对抗网络GAN训练的技术：自注意力和光谱标准化

最近，生成模型引起了很多关注。其中很大以部分都来自生成式对抗网络（GAN）。GAN是一个框架，由Goodfellow等人发明，其中互相竞争的网络，生成器G和鉴别器D都由函数逼近器表示。它们在对抗中扮演不同的角色。

02

在 iOS 上用 Shader 实现图片转字符画效果~~

那天在朋友圈问了一下如何通过 OpenGL Shader 实现同样效果，没想到引来了大神的关注。

02

matlab GUI基础8

图像处理工具箱从屋物理和数学角度看，图像时记录物体辐射能量的空间发呢不，这个分布是空间坐标、时间坐标和波长的函数，即i = f(x,y,z,λ,t），这样的图像能被计算机处理，计算机图像处理即数字图像处理matlab的长处就是处理矩阵运算，因此使用matlab处理数字图像非常方便，计算机图像处理是利用计算机对数字图像进行一系列操作，从而获得预期的结果的技术。 1.图像类型转换函数说明dither图像抖动，将灰度图变成二值图，或将RGB图像抖动成索引图像 gray2ind将灰度图转换为索引图象graysl

07

Pytorch和DCGAN生成肖像画

我对使用GAN进行艺术创作的想法很感兴趣，因此我开始研究人们设法创造的东西，并且遇到了Mike Tyka的工作，他是Google的研究人员，我发现他对此非常着迷，这促使我开始创建自己的GAN项目来从事艺术创作。

04

matlab的imread怎么用_imread函数参数的含义

函数语法 A = imread(filename, fmt) [X, map] = imread(…)

02

原-图像处理基础（四）DCT变换

Imread()用于读取图片文件中的数据 figure() 控制画图的窗口 imshow() 显示图像 rgb2gray() 把真彩图像转变为灰度图像 dct2() DCT变换 Colormap() 可以拖动上面的颜色块控制调改变位图颜色（双击）。一般是函数 Image()画出的连续的灰度图使用。 Colorbar:colormap实际上是一个mx3的矩阵，每一行的3个值都为0-1之间数，分别代表颜色组成的rgb值 idct2() DCT逆变换 Subplot() 将当前窗口分割成多个子窗口，第一

06

飞桨实战 | DCGAN生成手写数字图片全解析

生成对抗网络（Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。

02

GAN的发展系列二（PGGAN、SinGAN）

在前面的文章里我们已经介绍了GAN生成对抗网络的入门和一些GAN系列，在之后的专辑里会继续介绍一些比较经典的GAN。

01

Matlab常用图像处理命令108例（四）

相关命令： conv2, filter2, fsamp2, freqspace, ftrans2, fwind2

01

【数字图像】数字图像傅立叶变换的奇妙之旅

数字图像处理是一门涉及获取、处理、分析和解释数字图像的科学与工程领域。这一领域的发展源于数字计算机技术的进步，使得对图像进行复杂的数学和计算处理变得可能。以下是数字图像处理技术的主要特征和关键概念：

01

常见的图像增强方法有_图像中值滤波的算法实现

这两种方式的实质是对感兴趣的图像区域进行展宽，对不感兴趣的背景区域进行压缩，从而达到图像增强的效果

03

NPJ Comput. Mater.｜CCDCGAN: 用于晶体结构逆向设计的约束晶体深度卷积生成对抗网络

今天给大家介绍德国法兰克福材料科学研究所的Teng Long等人在npj computational materials上发表的文章“Constrained crystals deep convolutional generative adversarial network for the inverse design of crystal structures”。自主发现具有理想性能的材料是材料科学的最终目标之一，目前的研究主要集中在基于密度泛函理论（Density Functional Theory,DFT）计算的高通量筛选(high-throughput,HTP)和基于机器学习的物理属性模拟。本文建立了一个生成模型，通过优化潜在空间的形成能来预测不同的稳定晶体结构。

01

【深度学习】生成对抗网络（GANs）详解！

生成对抗网络(Generative Adversarial Networks)是一种无监督深度学习模型，用来通过计算机生成数据，由Ian J. Goodfellow等人于2014年提出。模型通过框架中(至少)两个模块：生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。生成对抗网络被认为是当前最具前景、最具活跃度的模型之一，目前主要应用于样本数据生成、图像生成、图像修复、图像转换、文本生成等方向。

03

Halcon 创建图像

Halcon 中 HImage 为图像的数据结构,本文记录 HALCON 中生成图像的几种方式。创建图像相关算子序号算子名称算子含义 1 copy_image 复制一个图像并为其分配新的内存。 2 gen_image1 从指向像素的指针创建图像。 3 gen_image1_extern 使用存储管理从像素上的指针创建图像。 4 gen_image1_rect 从像素上的指针创建一个带有矩形域的图像(带存储管理)。 5 gen_image3 创建一个从三个指针到像素(红色/绿色/蓝色)的图像。

03

“无中生有”计算机视觉探奇

计算机视觉（Computer Vision，CV）是一门研究如何使机器“会看”的科学。1963年来自MIT的Larry Roberts发表了该领域第一篇博士论文《Machine Perception of Three-Dimensional Solids》，标志着CV作为一门新兴人工智能方向研究的开始。在发展了50多年后的今天，我们就来聊聊最近让计算机视觉拥有“无中生有”能力的几个有趣尝试：超分辨率重建；图像着色；看图说话；人像复原；图像自动生成。可以看出，这五个尝试层层递进，难度

02

python图像识别---------图片相似度计算

要识别两张图片是否相似，首先我们可能会区分这两张图是人物照，还是风景照等......对应的风景照是蓝天还是大海......做一系列的分类。

04

分享一个算法，计算能在任何背景色上清晰显示的前景色

发布于 2017-11-04 14:51 更新于 2018-02-19 22:37

01

.net下灰度模式图像在创建Graphics时出现：无法从带有索引像素格式的图像创建graphics对象问题的解决方案。

文章主要介绍了如何通过GDI+绘制椭圆，并给出了具体的实现代码和示例。主要步骤包括：定义一个基于GDI+的Bitmap对象，使用GraphicsPath绘制椭圆，将GraphicsPath转换为Bitmap，并使用RenderOptions.SetBitmapScalingMode进行缩放处理。

08

DCGAN：深度卷积生成对抗网络的无监督学习，补全人脸合成图像匹敌真实照片

【新智元导读】Github 用户 saikatbsk 最近做了一个项目，使用深度卷积生成对抗网络进行图像补完，取得了非常不错的效果。他表示不久后会将具体方法公布出来。计算机视觉，尤其是人脸识别、生成

04

matlab 马赫带效应,matlab图像处理基础实例

·边缘检测(edge)边缘检测时先要把其他格式图像转化为灰度图像>> f=imread( lbxx.bmp );>> a=rgb2gray(f);>> [g,t]=edge(a, canny );>> imshow(g)·剪贴(imcrop)、subplot 等imfinfo colormap subimageimadd imsubtract immultiply imdivideimresize imrotate(旋转)>> a=imread( onion.png );>> b=imcrop(a,[75 68 130 112]);% I2 = IMCROP(I,RECT)% RECT is a 4-element vector with the [XMIN YMIN WIDTH HEIGHT];% subplot(121)一行两列的显示，当前显示第一个图片>> subplot(121);imshow(a);>> subplot(122);imshow(b);·roipoly选择图像中的多边形区域>> a=imread( onion.png );>> c=[200 250 278 248 199 172];>> r=[21 21 75 121 121 75];>> b=roipoly(a,c,r);>> subplot(121);imshow(a);>> subplot(122);imshow(b);·roicolor按灰度值选择的区域>> a=imread( onion.png );>> i=rgb2gray(a);>> b=roicolor(i,128,255);>> subplot(121);imshow(a);>> subplot(122);imshow(b);·转化指定的多边形区域为二值掩膜poly2mask>> x=[63 186 54 190 63];>> y=[60 60 209 204 60];>> b=poly2mask(x,y,256,256);>> imshow(b);>> holdCurrent plot held>> plot(x,y, b , LineWidth ,2)·roifilt2区域滤波a=imread( onion.png );i=rgb2gray(a);c=[200 250 278 248 199 172];r=[21 21 75 121 121 75];b=roipoly(i,c,r);h=fspecial( unsharp );j=roifilt2(h,i,b);subplot(121),imshow(i);subplot(122),imshow(j);·roifill区域填充>> a=imread( onion.png );>> i=rgb2gray(a);>> c=[200 250 278 248 199 172];>> r=[21 21 75 121 121 75];>> j=roifill(i,c,r);>> subplot(211);imshow(i);>> subplot(212);imshow(j);·FFT变换f=zeros(100,100);f(20:70,40:60)=1;imshow(f);F=fft2(f);F2=log(abs(F));imshow(F2),colorbar·补零操作和改变图像的显示象限f=zeros(100,100);f(20:70,40:60)=1;subplot(121);imshow(f);F=fft2(f,256,256);F2=fftshift(F);subplot(122);imshow(log(abs(F2))) ·离散余弦变换(dct)>> a=imread( onion.png );>> i=rgb2gray(a);>> j=dct2(i);>> subplot(131);imshow(log(abs(j))),colorbar>> j(abs(j)> k=idct2(j);>> subplot(132);imshow(i);>> subplot(133);imshow(k,[0,255]);info=imfinfo( trees.tif )%显示图像信息·edge提取图像的边缘canny prewitt sobelradon 函数用来计算指定方向上图像矩阵的投影>> a=imread( onion.png );>> i=rgb2gray(a);>> b=edge(i);>> theta=0:179;>> [r,xp]=radon(b,theta);>> figure,imagesc(theta,xp,r);colormap(hot);>> xlabel( \theta(degrees) );>> ylabel( x\prime );>> title( r_{\theta}(x\prime) );>> colorb

02

深度卷积生成对抗网络的无监督学习，补全人脸合成图像匹敌真实照

关键字全网搜索最新排名【机器学习算法】：排名第一【机器学习】：排名第二【Python】：排名第三【算法】：排名第四我们会再接再厉成为全网优质的技术类公众号 Github 用户 saikat

06

[GAN学习系列3]采用深度学习和 TensorFlow 实现图片修复(中）

上一篇文章--[GAN学习系列3]采用深度学习和 TensorFlow 实现图片修复(上）中，我们先介绍了对于图像修复的背景，需要利用什么信息来对缺失的区域进行修复，以及将图像当做概率分布采样的样本来看待，通过这个思路来开始进行图像的修复。

07

常被误解的DCGAN

近年来，通过卷积网络（CNN）进行监督学习的方法已在计算机视觉应用中得到了广泛采用。相比之下，CNN的无监督学习受到的关注较少。在这项工作中，我们希望帮助缩小CNN在监督学习与无监督学习之间的差距。我们介绍一种遵循着一些网络结构设计约束的深度卷积生成对抗网络（DCGAN），并证明它是无监督学习的强大候选者。在各种图像数据集上的训练结果令人信服，即深度卷积生成器和判别器都学习到了从对象局部到场景的特征层次结构。此外，我们将学习到的特征用于新颖的任务——这更进一步展示了其作为通用图像特征表示的适用性。

02

matlab二维彩图colormap调色_matlab如何自定义颜色

这个博客是自己的第一篇博客，瞎写实验中。。。 (2020年2月第一次更新，调整了一下格式，增加了常用的颜色图形式）

04

【知识星球】有三AI 10月新主题，千奇百怪GAN上线！

DCGAN是第一个使用全卷积网络做数据生成的GAN，生成器和判别器都采用了4层的网络结构。

02

“无中生有”计算机视觉探奇

作者：魏秀参，南京大学计算机系机器学习与数据挖掘所（LAMDA）博士生。曾在国际顶级期刊和会议发表学术论文，其Must Know Tipss in Deep Neural Networks受邀发布于国际知名数据挖掘论坛KDnuggets和Data Science Central。本文选自《程序员》，更多精彩文章请订阅2016年《程序员》。计算机视觉（Computer Vision，CV）是一门研究如何使机器“会看”的科学。1963年来自MIT的Larry Roberts发表了该领域第一篇博士论文

04

GAN 学习指南：从原理入门到制作生成 Demo，总共分几步？

生成式对抗网络（GAN）是近年来大热的深度学习模型。最近正好有空看了这方面的一些论文，跑了一个 GAN 的代码，于是写了这篇文章来介绍一下 GAN。本文主要分为三个部分：介绍原始的 GAN 的原理同样非常重要的 DCGAN 的原理如何在 Tensorflow 跑 DCGAN 的代码，生成如题图所示的动漫头像，附送数据集哦 :-) 一、GAN 原理介绍说到 GAN 第一篇要看的 paper 当然是 Ian Goodfellow 大牛的 Generative Adversarial Ne

06

【猫咪生成器】DCGAN、WGAN等4种生成对抗网络猫咪图像对比

【新智元导读】作者用 DCGAN，WGAN，WGAN-GP 和 LSGAN 等生成对抗网络（GAN），使用拥有1万张猫的图片的 CAT 数据集做“生成猫咪的脸”的实验。结果有非常好的，也有不够好的，作者进行了分析并提出一些改进的方法。这个研究被GAN的提出者 Ian Goodfellow，Andrew Ng 等人在推特推荐，可以说是非常有趣的深度学习应用了。我尝试使用生成对抗网络（GAN）来生成猫的脸。我想分别以较低和较高的分辨率使用 DCGAN，WGAN，WGAN-GP 以及 LSGAN。使用的数据集

09

如何快速理解GAN？这里有一篇最直观的解读

本文授权转自雷克世界（ID：raicworld）编译 | 嗯~阿童木呀、KABUDA 让我们假设这样一种情景：你的邻居正在举办一场非常酷的聚会，你非常想去参加。但有要参加聚会的话，你需要一张特价票，而这个票早就已经卖完了。而对于这次聚会的组织者来说，为了让聚会能够成功举办，他们雇佣了一个合格的安全机构。主要目标就是不允许任何人破坏这次的聚会。为了做到这一点，他们在会场入口处安置了很多警卫，检查每个人所持门票的真实性。考虑到你没有任何武术上的天赋，而你又特别想去参加聚会，那么唯一的办法就是用一张非

04

基于 opencv 的图像处理入门教程

虽然计算机视觉领域目前基本是以深度学习算法为主，但实际上很多时候对图片的很多处理方法，并不需要采用深度学习的网络模型，采用目前成熟的图像处理库即可实现，比如 OpenCV 和 PIL ，对图片进行简单的调整大小、裁剪、旋转，或者是对图片的模糊操作。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭