#generative-adversarial-network Dépôts
Découvrez 44 dépôts GitHub open source actifs associés à #generative-adversarial-network, cumulant 159,539 étoiles au total (soit une moyenne de 3,625 étoiles par projet). Le projet en tête de ce thème est XingangPan/DragGAN, avec 36,005 étoiles.
44 dépôts au total
🦙 LaMa Image Inpainting, Inpainting de masques larges et robustes à la résolution avec des convolutions de Fourier, WACV 2022
OpenMMLab Boîte à Outils Multimodale Avancée, Générative et Intelligente de Création. Déverrouillez la magie 🪄: IA Générative (AIGC), API faciles à utiliser, zoo de modèles impressionnant, modèles de diffusion, pour la génération texte-image, restauration/amélioration d'images/vidéos, etc.
Dans ce notebook, je vais créer un processus complet pour prédire les mouvements des prix des actions. Suivez-moi et nous obtiendrons de bons résultats. Pour cela, nous utiliserons un Réseau Antagoniste Génératif (GAN) avec LSTM, un type de Réseau de Neurones Récurrents, comme générateur, et un Réseau de Neurones Convolutifs, CNN, comme discriminateur. Nous utilisons LSTM pour la raison évidente que nous essayons de prédire des données de séries temporelles. Pourquoi utilisons-nous GAN et plus précisément CNN comme discriminateur ? C'est une bonne q
Liste organisée d'applications et de démos impressionnantes de GAN
Implémentation la plus simple et fonctionnelle de Stylegan2, réseau antagoniste génératif de pointe, en PyTorch. Permettant à chacun de découvrir le disentanglement.
StudioGAN est une bibliothèque Pytorch fournissant des implémentations de réseaux antagonistes génératifs (GAN) représentatifs pour la génération d'images conditionnelles/inconditionnelles.
DeepFill v1/v2 avec Contextual Attention et Gated Convolution, CVPR 2018, et ICCV 2019 Oral
EdgeConnect: Inpainting d'images guidé par la structure utilisant la prédiction des bords, ICCV 2019 https://arxiv.org/abs/1901.00212
Image-à-image en une seule étape avec Stable Diffusion turbo : sketch2image, day2night, et plus encore
(ෆ`꒳´ෆ) Une étude sur la génération/synthèse de texte en image.
Un ensemble de données de visages à grande échelle pour l'analyse, la reconnaissance, la génération et l'édition de visages.
Implémentation de GigaGAN, une nouvelle GAN SOTA d'Adobe. aboutissement de près d'une décennie de recherche sur les GAN
Codec audio de pointe avec un facteur de compression de 90x. Prend en charge l'audio mono/stéréo 44,1 kHz, 24 kHz et 16 kHz.
Implémentation du GAN "léger", proposé dans ICLR 2021, dans Pytorch. Générations d'images haute résolution qui peuvent être entraînées en un ou deux jours
Collection de notebooks Google Colaboratory pour des expériences rapides et faciles
Générateurs de données synthétiques pour données tabulaires et séries temporelles
Liste de ressources utiles pour l'augmentation de données. Vous trouverez ici des techniques peu communes, des bibliothèques, des liens vers des dépôts GitHub, des articles et autres.
Le dépôt de code officiel de la deuxième édition du livre O'Reilly Generative Deep Learning: Teaching Machines to Paint, Write, Compose and Play.
Bibliothèque de détection d'anomalies dans les séries temporelles sans supervision
[NeurIPS 2020] Augmentation Différentiable pour l'Entraînement de GAN Efficace en Données
PyTorch – Calcul FID avec redimensionnement d'image approprié et étapes de quantification [CVPR 2022]
Répertoire compagnon pour GANs in Action : Apprentissage profond avec des réseaux antagonistes génératifs
Implémentation officielle pour "Pivotal Tuning for Latent-based editing of Real Images" (ACM TOG 2022) https://arxiv.org/abs/2106.05744
TextGAN est un framework PyTorch pour les modèles de génération de texte basés sur des Réseaux Antagonistes Génératifs (GANs).
Une collection de méthodes de détection d'anomalies (iid/basées sur des points, graphe et séries temporelles) incluant l'apprentissage actif pour la détection/découverte d'anomalies, l'extraction de règles bayésiennes, description pour la diversité/explication/interprétabilité. Analyse de l'incorporation de retours d'étiquettes avec des détecteurs basés sur ensemble et arbre. Inclut des attaques adverses avec Graph Convolutional Network.
Code PyTorch pour "PSGAN : GAN spatialement conscient robuste aux poses et expressions pour le transfert de maquillage personnalisable" (CVPR 2020 Oral)
Code pour l'Apprentissage Non Supervisé Pratique avec Python (O'Reilly Media)
Super-résolution d'image unique photo-réaliste à l'aide d'un réseau antagoniste génératif | un tutoriel PyTorch sur la Super-résolution
Un modèle d'apprentissage profond rapide pour upscaler des vidéos en basse résolution vers une haute résolution à 30 ips
[ICCV 2021] Focal Frequency Loss pour la Reconstruction et la Synthèse d'Images
[CVPR 2022] StyleSwin : GAN basé sur Transformer pour la génération d'images haute résolution
Implémentation PyTorch de Generative Adversarial Networks (GAN) et Deep Convolutional Generative Adversarial Networks (DCGAN) pour les ensembles de données MNIST et CelebA
Foire aux questions
Quel est le dépôt #generative-adversarial-network le plus populaire sur GitHub ?
Le projet #generative-adversarial-network open source le mieux classé sur GitHub est XingangPan/DragGAN, avec 36,005 étoiles. Code Officiel pour DragGAN (SIGGRAPH 2023)
Quels langages de programmation sont les plus utilisés dans les dépôts #generative-adversarial-network ?
Parmi les projets #generative-adversarial-network les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, JavaScript, C++.
Comment le classement des dépôts #generative-adversarial-network est-il calculé ?
Nous suivons 44 dépôts open source actifs associés à #generative-adversarial-network (500+ étoiles), totalisant 159,539 étoiles, avec une moyenne de 3,625 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.