大資料文摘出品 作者：魏子敏 2014年的一晚，Ian Goodfellow和一個剛剛畢業的博士生一起喝酒慶祝。在蒙特利爾一個酒吧，一些朋友希望他能幫忙看看手頭上一個棘手的專案：計算機如

點選上方“磐創AI”，選擇“置頂公眾號” 精品文章，第一時間送達 來 源：distill 編譯：Walker、張弛 轉載自：大資料文摘，未經允許不得二次轉載

本文轉載自微信公眾號大資料文摘（ID：BigDataDigest），作者：宋欣儀，如需轉載請聯絡文章作者 出門在外，是不是才覺得媽媽的嘮叨分外可愛又令人懷念。母親節到了，翻箱倒櫃想找出一張媽媽的老照片，卻因為早已泛

本文的模型在ImageNet(128x128)上的條件生成效果 今天要介紹的結果還是跟能量模型相關，來自論文《Implicit Generation a

來自慕尼黑工業大學的研究人員提出了一種用於實現視訊超解析度的新型 GAN——TecoGAN。利用該技術能夠生成精細的細節，甚至蜘蛛背上的斑點都清晰可見，同時還能保持視訊的連貫性。 影象 超解析度 技術指的

前陣子學習 GAN 的過程發現現在的 GAN 綜述文章大都是 2016 年 Ian Goodfellow 或者自動化所王飛躍老師那篇。可是在深度學習，GAN 領域，其進展都是以月來計算的，感覺那兩篇綜述有些老

關於TFGAN、GAN的原理以及Unconditional GAN都已經在之前的文章： 簡單易用的輕量級生成對抗網路工具庫：TFGAN 中說明了，本文內容主要是使用TFGAN實現Conditional GAN

當聽到“人工智慧”，“機器學習”或“機器人”這兩個詞時，大多數人傾向於想象一個行走的，說話的機器人機器人，它看起來像科幻電影中的東西，並且在未來很快就會假設一段時間。 對不起人！人工智慧已經在我們身邊多年了，目前

WhichFaceIsReal.com由來自華盛頓大學的兩位學者Jevin West和Carl Bergstrom建立，他們都研究資訊如何通過社會傳播。他們認為人工智慧產生的虛假臉部影象的興起可能是麻煩的，破

文｜腦極體 自2014年誕生之日起，GANs（Generative Adversarial Nets，生成對抗網路）就一直是機器學習領域的“流量擔當”，過去的兩年間更是迎來了成果井噴。 有人還

生成對抗網路 （GAN）是一類非常強大的神經網路，具有非常廣闊的應用前景。GAN 本質上是由兩個相互競爭的神經網路（生成器和判別器）組成的系統。 GAN 的工作流程示意圖。 給定一

一、基本原理： GAN其實本質就是由兩個網路組成，一個為我們熟知的判別網路，還有一個為生成網路；GAN的最終目標就是通過使用判別器，能夠使生成器生成我們需要的影象； 通常我們我們將生成網路簡寫為G，將辨