Projet d'Apprentissage Statistique

Papier utiles

• UNSUPERVISED ADVERSARIAL IMAGE RECONSTRUCTION: https://openreview.net/pdf?id=BJg4Z3RqF7

  notre papier

• DCGAN: https://arxiv.org/pdf/1511.06434.pdf

  la base des GANs qui marche, le papier résume la plus part des tricks à utiliser pour stabiliser l'entraînement du générateur et du discriminateur.

• AMBIENTGAN: https://openreview.net/pdf?id=BJg4Z3RqF7

  le papier présente l'un architecture de base pour le dé-bruitage de d'image. Notre papier améliore juste celui la.

• SELF ATTENTION GENERATIVE ADVERSARIAL NETWORK: https://arxiv.org/pdf/1805.08318.pdf

  c'est l'architecture du réseau utilisé dans notre papier. Ca permet au GAN de se "concentrer" sur des zones plus éloigné de l'image.s

Arborescence du repository

├── README.md
├── log                    <- résultat
├── network                <- réseaux
|      ├── SAGAN.py
|      └── DCGAN.py      
|── dataset.py             <- chargement des données
|── noise.py               <- module de bruit
|── utils.py               <- fonctions utiles
|── train.py               <- entrainement du réseau
|── utils.py               <- fonction utile (torch2numpy, affichage, sauvegarde...)
|── __main__.py            <- main