#generative-adversarial-network Repositorios
Descubre 44 repositorios activos de código abierto de GitHub etiquetados con #generative-adversarial-network, que acumulan 159,539 estrellas en total (una media de 3,625 estrellas por proyecto). El líder de este tema es XingangPan/DragGAN, con 36,005 estrellas.
44 repositorios en total
🦙 LaMa Image Inpainting, Inpainting de máscaras grandes y robusto a la resolución con convoluciones de Fourier, WACV 2022
OpenMMLab Caja de Herramientas Multimodal Avanzada, Generativa e Inteligente de Creación. Desbloquea la magia 🪄: IA Generativa (AIGC), APIs fáciles de usar, zoológico de modelos impresionante, modelos de difusión para generación de texto a imagen, restauración/mejora de imágenes/videos, etc.
En este notebook crearé un proceso completo para predecir los movimientos de precios de las acciones. Síguelo y obtendremos algunos resultados bastante buenos. Para ello usaremos una Red Generativa Antagónica (GAN) con LSTM, un tipo de Red Neuronal Recurrente, como generador, y una Red Neuronal Convolucional, CNN, como discriminador. Usamos LSTM por la razón obvia de que estamos tratando de predecir datos de series temporales. ¿Por qué usamos GAN y específicamente CNN como discriminador? Esa es una buena q
Lista seleccionada de aplicaciones y demostraciones increíbles de GAN
Implementación más simple y funcional de Stylegan2, red generativa antagónica de vanguardia, en PyTorch. Permitiendo que todos experimenten el disentanglement.
StudioGAN es una biblioteca de Pytorch que proporciona implementaciones de Redes Generativas Antagónicas (GAN) representativas para la generación de imágenes condicionales/incondicionales.
DeepFill v1/v2 con Contextual Attention y Gated Convolution, CVPR 2018, e ICCV 2019 Oral
EdgeConnect: Relleno de imágenes guiado por estructura usando predicción de bordes, ICCV 2019 https://arxiv.org/abs/1901.00212
Imagen a imagen en un solo paso con Stable Diffusion turbo: sketch2image, day2night y más
(ෆ`꒳´ෆ) Una encuesta sobre la generación/síntesis de texto a imagen.
Un conjunto de datos de rostros a gran escala para el análisis, reconocimiento, generación y edición de rostros.
Implementación de GigaGAN, una nueva GAN SOTA de Adobe. Culminación de casi una década de investigación en GANs
Códec de audio de última generación con un factor de compresión de 90x. Admite audio mono/estéreo de 44,1 kHz, 24 kHz y 16 kHz.
Implementación de la GAN "ligera", propuesta en ICLR 2021, en Pytorch. Generaciones de imágenes de alta resolución que se pueden entrenar en uno o dos días
Colección de cuadernos de Google Colaboratory para experimentos rápidos y sencillos
Generadores de datos sintéticos para datos tabulares y series temporales
Lista de recursos útiles para el aumento de datos. Aquí encontrarás algunas técnicas no comunes, bibliotecas, enlaces a repositorios de GitHub, artículos y otros.
El repositorio de código oficial de la segunda edición del libro de O'Reilly Generative Deep Learning: Teaching Machines to Paint, Write, Compose and Play.
[NeurIPS 2020] Aumentación Diferenciable para Entrenamiento de GAN Eficiente en Datos
PyTorch – Cálculo FID con redimensionamiento adecuado de imágenes y pasos de cuantización [CVPR 2022]
Repositorio complementario de GANs in Action: Deep learning con Redes Generativas Antagónicas
Implementación oficial de "Pivotal Tuning for Latent-based editing of Real Images" (ACM TOG 2022) https://arxiv.org/abs/2106.05744
TextGAN es un marco de PyTorch para modelos de generación de texto basados en Redes Generativas Antagónicas (GANs).
Una colección de métodos de detección de anomalías (iid/basados en puntos, grafo y series temporales) que incluye aprendizaje activo para detección/descubrimiento de anomalías, minería de reglas bayesianas, descripción para diversidad/explicación/interpretabilidad. Análisis de la incorporación de retroalimentación de etiquetas con detectores basados en ensemble y árboles. Incluye ataques adversarios con Graph Convolutional Network.
Código PyTorch para "PSGAN: Pose and Expression Robust Spatial-Aware GAN for Customizable Makeup Transfer" (CVPR 2020 Oral)
Código para Aprendizaje No Supervisado Práctico con Python (O'Reilly Media)
Superresolución de imagen única fotorrealista utilizando una red generativa antagónica | un tutorial de PyTorch sobre superresolución
Un modelo de aprendizaje profundo rápido para upscalear videos de baja resolución a alta resolución a 30 fps
[ICCV 2021] Focal Frequency Loss para Reconstrucción y Síntesis de Imágenes
[CVPR 2022] StyleSwin: GAN basado en Transformer para la generación de imágenes de alta resolución
Implementación en PyTorch de Redes Generativas Antagónicas (GAN) y Redes Generativas Antagónicas Convolucionales Profundas (DCGAN) para los conjuntos de datos MNIST y CelebA
Preguntas frecuentes
¿Cuál es el repositorio de #generative-adversarial-network más popular en GitHub?
El proyecto de código abierto de #generative-adversarial-network mejor posicionado en GitHub es XingangPan/DragGAN, con 36,005 estrellas. Código Oficial para DragGAN (SIGGRAPH 2023)
¿Qué lenguajes de programación se utilizan más en los repositorios de #generative-adversarial-network?
Entre los proyectos de #generative-adversarial-network mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, JavaScript, C++.
¿Cómo se calcula la clasificación de los repositorios de #generative-adversarial-network?
Seguimos 44 repositorios activos de código abierto etiquetados con #generative-adversarial-network (500+ estrellas), que suman un total de 159,539 estrellas, con una media de 3,625 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.