| 内容 | 备注 |
|---|---|
| 教学ppt | |
| 编程实验: 一个训练好的GAN模型的探索 | |
| 编程实验: 了解GAN的输入以及它对输出的影响 | |
| 编程作业: 第一个GAN |
| 内容 | 备注 |
|---|---|
| 教学ppt | |
| 博客: 转置卷积以及交互式的展示棋盘格效应 | |
| 编程作业: DCGAN | |
| 论文: DCGAN | |
| 编程实验: 利用TGAN生成视频 | 在本笔记本中，您将从论文 Temporal Generative Adversarial Nets with Singular Value Clipping (Saito, Matsumoto, & Saito, 2017) 中了解 TGAN，以及它在图像生成中的起源 |
| 内容 | 备注 |
|---|---|
| 教学ppt | |
| 编程作业: wgan_gp | |
| 编程实验: SN-GAN | 在本笔记本中, 您将了解并实现spectral normalization，这是一种用于稳定鉴别器训练的权重归一化技术, 在 Spectral Normalization for Generative Adversarial Networks (Miyato 等人 2018) 中提出. |
| 编程实验: GAN在生物信息学中的应用ProteinGAN | |
| 论文: Wasserstein GAN | |
| 论文: Improved Training of Wasserstein GANs | |
| 博客: From GAN to WGAN |
| 内容 | 备注 |
|---|---|
| 教学ppt | |
| 编程作业: Conditional GAN | |
| 编程实验: InfoGAN | |
| 论文: Conditional Generative Adversarial Nets | |
| 作业: Controllable Generation | |
| 论文：Interpreting the Latent Space of GANs for Semantic Face Editing |
| 内容 | 备注 |
|---|---|
| 教学ppt | |
| 论文: A Note on the Inception Score | FID为什么超过Inception score, 本文解释了Inception score的缺点 |
| 论文: HYPE: A Benchmark for Human eYe Perceptual Evaluation of Generative Models | GAN的人工评估和HYPE(Human eYe Perceptual Evaluation) |
| 论文: Improved Precision and Recall Metric for Assessing Generative Models | 在GAN上使用准确率和召回率指标 |
| 编程作业: Fréchet Inception Distance | |
| 编程实验: Perceptual Path Length | |
| 博客: FID 和 IS 回顾之Fréchet Inception Distance | FID和IS的回顾 |
| 博客: FID 和 IS 回顾之 How to measure GAN performance? | FID和IS的回顾 |
| 内容 | 备注 |
|---|---|
| 教学ppt | |
| 编程实验: Alternatives: Variational Autoencoders (VAEs) | |
| 编程实验: Score-based Generative Modeling | 这是score-based的生成模型的简短指南, 这是一系列基于estimating gradients of the data distribution的方法. 他们在不需要对抗训练的情况下获得了与 GAN 相当的高质量样本, 并且被一些人认为是 GAN 的新竞争者. |
| 博客: 机器学习中的偏见 | |
| 博客: Fairness Definitions Explained Machine Learning Glossary: Fairness | 公平的定义 |
| 论文: A Survey on Bias and Fairness in Machine Learning | |
| 博客: Does Object Recognition Work for Everyone What a machine learning tool that turns Obama white can (and can't) tell us about AI bias |
如何发现现有材料（模型、数据集、框架等）中的偏见以及如何防止它 |
| 编程作业: Bias | |
| 编程实验: GAN Debiasing | 了解通过潜在空间去偏进行公平属性分类, Fair Attribute Classification through Latent Space De-biasing |
| NeRF: Neural Radiance Fields | 学习如何使用神经辐射场仅使用几个输入视图生成复杂 3D 场景的新视图，最初由 NeRF 提出：Representing Scenes as Neural Radiance Fields for View Synthesis (Mildenhall et al. 2020 ）。尽管 2D GAN 在高分辨率图像合成方面取得了成功，但 NeRF 已迅速成为实现高分辨率 3D 感知 GAN 的流行技术。 |
| 内容 | 备注 |
|---|---|
| 教学ppt | |
| 编程作业: Components of StyleGAN | |
| 编程实验: Components of StyleGAN2 | |
| 编程实验: BigGAN | |
| 论文: StyleGAN | |
| 博客: StyleGAN的另外一种解释 | |
| 编程实验: Finetuning GAN | 了解并实现 Freeze the Discriminator: a Simple Baseline for Fine-Tuning GANs (Mo et al. 2020) 中提出的微调方法，该方法介绍了冻结鉴别器上层的概念在微调。具体来说，将微调预训练的 StyleGAN 以从人脸生成动漫面孔 |
| 内容 | 备注 |
|---|---|
| 教学ppt | |
| 论文: Automated Data Augmentation | 混合数据增强技术和自动增强策略感 |
| 编程作业: Data Augmentation | |
| 编程实验: Generative Teaching Networks | 在本笔记本中, 您将实现 Generative Teaching Network (GTN), 该网络首次在Generative Teaching Networks: Accelerating Neural Architecture Search by Learning to Generate Synthetic Training Data中介绍: 通过学习生成合成训练数据来加速神经架构搜索（Such et al. 2019）. 本质上, GTN 由生成合成数据的生成器（即教师）和针对某些任务接受此数据训练的学生组成. GTN 和 GAN 之间的主要区别在于 GTN 模型是协同工作的（而不是对抗性的）. |
| 论文: Talking Heads | 如何使用 GAN 来创建会说话的头像和 deepfakes |
| 论文: De-identification | 如何在保留基本面部属性以隐藏身份的同时对面部进行去识别（匿名化）的信息 |
| 论文: GAN Fingerprints | 担心区分真实图像和伪造的 GAN 生成图像? 看看 GAN 是如何留下指纹的! |
| 内容 | 备注 |
|---|---|
| 教学ppt | |
| 编程作业: U-Net | |
| 编程作业: Pix2Pix | |
| 论文: Image-to-Image Translation with Conditional Adversarial Networks | |
| 编程实验: Pix2PixHD | 在本笔记本中，您将了解 Pix2PixHD，它从语义标签映射中合成高分辨率图像。 Pix2PixHD 在 High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs中提出，通过多尺度架构、改进的对抗性损失和实例映射对 Pix2Pix 进行了改进。 |
| 编程实验: Super-resolution GAN | 在本笔记本中，您将了解 Super-Resolution GAN (SRGAN)，这是一种将图像分辨率提高 4 倍的 GAN，在 Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network(Ledig et al. 2017) 中提出。您还将实现架构和训练代码，并能够在 CIFAR 数据集上对其进行训练。 |
| 论文: PatchGAN | GAN 如何填充图像的裁剪部分？了解 PGGAN 如何使用 PatchGAN 做到这一点! |
| 编程实验: GauGAN | 在本笔记本中，您将了解 GauGAN，它从您实现和训练的语义标签映射中合成高分辨率图像。 GauGAN 基于 Semantic Image Synthesis with Spatially-Adaptive Normalization（Park 等人，2019 年）中提出的一种特殊的反归一化技术 |
| 内容 | 备注 |
|---|---|
| 教学ppt | |
| 编程作业: CycleGAN | |
| 论文: CycleGAN | |
| 阅读材料: CycleGAN for Medical Imaging | |
| 编程实验: MUNIT | 在本笔记本中，您将了解并实现 MUNIT，这是一种无监督图像到图像转换的方法，在Multimodal Unsupervised Image-to-Image Translation (Huang et al. 2018) 中提出。 |