MATLAB环境下生成对抗网络系列（11种）

为了构建有效的图像深度学习模型，数据增强是一个非常行之有效的方法。图像的数据增强是一套使用有限数据来提高训练数据集质量和规模的数据空间解决方案。广义的图像数据增强算法包括：几何变换、颜色空间增强、核滤波器、混合图像、随机擦除、特征空间增强、对抗训练、生成对抗网络和风格迁移等内容。增强的数据代表一个分布覆盖性更广、可靠性更高的数据点集，使用增强数据能够有效增加训练样本的多样性，最小化训练集和验证集以及测试集之间的距离。使用数据增强后的数据集训练模型，可以达到提升模型稳定性、泛化能力的效果。

使用生成对抗网络GAN提取原数据集特征，对抗生成新的目标域图像，已成为众多学者在数据增强技术研究中的优选方法。相比于传统的图像数据增强方法，通过基于GAN的生成式建模技术进行数据增强的思路来源于博弈论中的二人零和博弈，由网络中包含的生成器和判别器利用对抗学习的方法来指导网络训练，在两个网络对抗过程中估计原始数据样本的分布并生成与之相似的新数据。

近期的研究在原始生成对抗网络框架的基础上又提出了多种不同的改进方案，通过设计不同的神经网络架构和损失函数等手段不断提升生成对抗网络的性能。生成对抗网络应用在图像数据增强任务上的思想主要是其通过生成新的训练数据来扩充模型的训练数据，通过样本空间的扩充实现图像分类等任务效果的提升。但目前基于GAN的图像数据增强技术普遍存在模型收敛不稳定、生成图像质量低等问题，如何正确引入高频信息，提升图像数据质量是破解这一系列问题的关键。

MATLAB环境配置如下：

• MATLAB 2021b
• Deep Learning Toolbox
• Parallel Computing Toolbox (optional for GPU usage)

目录如下

• Generative Adversarial Network (GAN) [paper]
• Least Squares Generative Adversarial Network (LSGAN) [paper]
• Deep Convolutional Generative Adversarial Network (DCGAN) [paper]
• Conditional Generative Adversarial Network (CGAN)[paper]
• Auxiliary Classifier Generative Adversarial Network (ACGAN) [paper]
• InfoGAN [paper]
• Adversarial AutoEncoder (AAE)[paper]
• Pix2Pix[paper]
• Wasserstein