#generative-adversarial-network Repositories
Entdecke 44 aktive Open-Source-GitHub-Repositories, die mit #generative-adversarial-network getaggt sind und insgesamt 159,539 Sterne gesammelt haben (durchschnittlich 3,625 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist XingangPan/DragGAN mit 36,005 Sternen.
Insgesamt 44 Repositories
🦙 LaMa Image Inpainting, Auflösungsrobuste Inpainting mit großen Masken durch Fourier-Faltungen, WACV 2022
OpenMMLab Multimodales Advanced, Generatives und Intelligentes Erstellungstoolbox. Entsperren Sie die Magie 🪄: Generative-KI (AIGC), benutzerfreundliche APIs, toller Model-Zoo, Diffusionsmodelle für Text-zu-Bild-Generierung, Bild-/Video-Restaurierung/Verbesserung usw.
In diesem Notebook werde ich einen vollständigen Prozess zum Vorhersagen von Aktienkursbewegungen erstellen. Folgen Sie mit, und wir werden einige ziemlich gute Ergebnisse erzielen. Zu diesem Zweck werden wir ein Generative Adversarial Network (GAN) mit LSTM, einer Art Recurrent Neural Network, als Generator und ein Convolutional Neural Network, CNN, als Diskriminator verwenden. Wir verwenden LSTM aus dem offensichtlichen Grund, dass wir Zeitreihendaten vorhersagen wollen. Warum verwenden wir GAN und speziell CNN als Diskriminator? Das ist eine gute q
Einfachste funktionsfähige Implementierung von Stylegan2, state-of-the-art Generative Adversarial Network, in PyTorch. Ermöglicht es jedem, Disentanglement zu erleben.
StudioGAN ist eine Pytorch-Bibliothek, die Implementierungen repräsentativer Generative Adversarial Networks (GANs) für die bedingte/unbedingte Bilderzeugung bereitstellt.
DeepFill v1/v2 mit Contextual Attention und Gated Convolution, CVPR 2018, und ICCV 2019 Oral
EdgeConnect: Strukturgeführte Bildrekonstruktion mit Kantenprädiktion, ICCV 2019 https://arxiv.org/abs/1901.00212
Einzelschritt-Bild-zu-Bild mit Stable Diffusion Turbo: sketch2image, day2night und mehr
(ෆ`꒳´ෆ) Eine Übersicht über Text-zu-Bild-Generierung/Synthese.
Ein groß angelegter Datensatz von Gesichtern für Gesichtsanalyse, Erkennung, Generierung und Bearbeitung.
Implementierung von GigaGAN, einer neuen SOTA-GAN von Adobe. Kulmination von fast einem Jahrzehnt Forschung an GANs
Modernster Audio-Codec mit einem Kompressionsfaktor von 90x. Unterstützt 44,1 kHz, 24 kHz und 16 kHz Mono/Stereo-Audio.
Implementierung von "Lightweight" GAN, vorgeschlagen in ICLR 2021, in Pytorch. Hochauflösende Bilderzeugungen, die innerhalb von ein oder zwei Tagen trainiert werden können
Sammlung von Google Colaboratory Notebooks für schnelle und einfache Experimente
Generatoren synthetischer Daten für tabellarische und Zeitreihendaten
Liste nützlicher Ressourcen für Data Augmentation. Hier finden Sie einige ungewöhnliche Techniken, Bibliotheken, Links zu GitHub-Repos, Papers und mehr.
Das offizielle Code-Repository für die zweite Ausgabe des O'Reilly-Buches Generative Deep Learning: Teaching Machines to Paint, Write, Compose and Play.
[NeurIPS 2020] Differenzierbare Augmentierung für dateneffizientes GAN-Training
PyTorch – FID-Berechnung mit ordnungsgemäßer Bildgrößenänderung und Quantisierungsschritten [CVPR 2022]
Begleit-Repository zu GANs in Action: Deep Learning mit Generative Adversarial Networks
Offizielle Implementierung für „Pivotal Tuning for Latent-based editing of Real Images“ (ACM TOG 2022) https://arxiv.org/abs/2106.05744
TextGAN ist ein PyTorch-Framework für textgenerierende Modelle auf Basis von Generative Adversarial Networks (GANs).
Eine Sammlung von Anomalie-Erkennungsmethoden (iid/punktbasiert, Graph und Zeitreihen), einschließlich Active Learning für Anomalie-Erkennung/Entdeckung, bayessches Regel-Mining, Beschreibung für Diversität/Erklärung/Interpretierbarkeit. Analyse der Integration von Label-Feedback mit Ensemble- und baumbasierten Detektoren. Beinhaltet adversariale Angriffe mit Graph Convolutional Network.
PyTorch-Code für „PSGAN: Pose and Expression Robust Spatial-Aware GAN for Customizable Makeup Transfer“ (CVPR 2020 Oral)
Code für hands-on unüberwachtes Lernen mit Python (O'Reilly Media)
Fotorealistische Einzelbild-Super-Resolution unter Verwendung eines generativen gegnerischen Netzwerks | ein PyTorch-Tutorial zur Super-Resolution
Ein schnelles Deep-Learning-Modell zum Upsamplen von Videos niedriger Auflösung zu hoher Auflösung bei 30 fps
[ICCV 2021] Focal Frequency Loss für Bildrekonstruktion und -synthese
[CVPR 2022] StyleSwin: Transformer-basierter GAN für hochauflösende Bilderzeugung
PyTorch-Implementierung von Generative Adversarial Networks (GAN) und Deep Convolutional Generative Adversarial Networks (DCGAN) für die MNIST- und CelebA-Datensätze
Häufig gestellte Fragen
Welches ist das beliebteste #generative-adversarial-network-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#generative-adversarial-network-Projekt auf GitHub ist XingangPan/DragGAN mit 36,005 Sternen. Offizieller Code für DragGAN (SIGGRAPH 2023)
Welche Programmiersprachen werden in #generative-adversarial-network-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #generative-adversarial-network-Projekten auf GitHub sind Python, Jupyter Notebook, JavaScript, C++ die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #generative-adversarial-network-Repositories berechnet?
Wir verfolgen 44 aktive Open-Source-Repositories, die mit #generative-adversarial-network getaggt sind (500+ Sterne), mit insgesamt 159,539 Sternen und durchschnittlich 3,625 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.