#مقاله #سورس_کد

SC-FEGAN : Face Editing Generative Adversarial Network with User's Sketch and Color


Editing photos of faces using basic sketches, and letting a GAN do the rest. Lets you add/change: earrings, glasses, hair style, dimples, & more.

Paper:
https://arxiv.org/pdf/1902.06838.pdf
Code (#tensorflow):
https://github.com/JoYoungjoo/SC-FEGAN

#gan #SC_FEGAN #face

#سورس_کد #مقاله
Make music with GANs!

GANSynth is a new method for fast generation of high-fidelity audio.

🎵 Examples: http://goo.gl/magenta/gansynth-examples
⏯ Colab: http://goo.gl/magenta/gansynth-demo
📝 Paper: http://goo.gl/magenta/gansynth-paper
💻 Code: http://goo.gl/magenta/gansynth-code
⌨️ Blog: http://magenta.tensorflow.org/gansynth

🙏Thanks to: @ArtificialIntelligenceArticles

#music #gan

#مقاله
فریب شبکه های object detection در تشخیص افراد.
Fooling automated surveillance cameras: adversarial patches to attack person detection. https://arxiv.org/abs/1904.08653

🙏Thanks to: @vahidreza01
#adversarial #gan

#مقاله
Object Discovery with a Copy-Pasting GAN
https://arxiv.org/pdf/1905.11369.pdf


#GAN

#آموزش #pix2pix #GAN

همانطور که میدانید سایز وزودی شبکه U-Net در مدل pix2pix در مقاله آن به صورت 256x256 است. حالا اگر بخواهیم عکس هایی با سایز کوچکتر مثلا 32x32( مثلا در دیتاست Cifar10) به شبکه ورودی دهیم باید چه کنیم؟
یک راه ریسایز کردن عکس به سایز ورودی شبکه در هنگام فید کردن دیتا به شبکه است که این روش بسیار از لحاظ محاسباتی هزینه بر است.
راه دوم اصلاح معماری شبکه متناسب با سایز ورودی است و خب این راه به دلیل بزرگ بودن فضای مسئله و tricky بودن آموزش GANها کمی زمان بر است و ممکن است به بهترین جواب نرسیم.

جواب یکی از نویسندگان مقاله pix2pix به نحوه و منطق اصلاح معماری شبکه متناسب با سایز 32x32 :

Jun Yan Zhu:
"For the generator, you can remove the first two downsampling layers and their corresponding upsampling layers from defineG_unet_128. For the discriminator, remove one or two downsampling layers."

https://github.com/phillipi/pix2pix/issues/175


فیلم آموزش مربوط به این مبحث:
https://www.aparat.com/v/S9bcT

#خبر

اظهارات اخیر Andrew Ng فردی تاثیر گذار در حوزه یادگیری ماشینی، و یادگیری عمیق در مورد نرم افزار deep nude که اخیرا ارائه شده، و سوء استفاده ای از روش pix2pix است.

روش pix2pix یک روش بر مبنای #GAN است که برای #Image_to_Image_Translation استفاده میشود. در این روش تصویر ۱ توسط شبکه عصبی عمیق به تصویر متناظر ۲ تبدیل می گردد، که در این نرم افزار تصویر افراد ورودی شبکه، و تصویر بدون لباس فرد را خروجی میدهد.

https://twitter.com/AndrewYNg/status/1144668413140144128?s=19

جادی هم در این رابطه یک پست با عنوان
بالاخره «دوربین لخت کن» ساخته شد، و ما درکش نمی کنیم
نوشته که میتونید بخونیدش...


https://jadi.net/2019/06/deep-nude/
___
مطلب مرتبط:

#آموزش
آموزش شبکه ی مولد تخاصمی (GAN) برای تبدیل تصویر با روش pix2pix

https://www.aparat.com/v/S9bcT?c

اسلاید:

http://fall97.class.vision/slides/17.pdf

کد (نوت بوک پایتون تنسرفلو - کراس) :

http://nbviewer.jupyter.org/github/alireza-akhavan/class.vision/blob/master/57-gan-pix2pix_tensorflow_eager.ipynb


کلاس نوت فارسی pix2pix

http://blog.class.vision/1397/10/pixtopix/

#GAN #pix2pix #cyclegan #keras #tensorflow
#Image_to_Image_Translation
#deep_nude

Self-Attention Generative Adversarial Networks
Han Zhang, Ian Goodfellow, Dimitris Metaxas, Augustus Odena

SAGAN allows attention-driven, long-range dependency modeling for image generation tasks.

Traditional convolutional GANs generate high-resolution details as a function of only spatially local points in lower-resolution feature maps. In SAGAN, details can be generated using cues from all feature locations. Moreover, the discriminator can check that highly detailed features in distant portions of the image are consistent with each other. Furthermore, recent work has shown that generator conditioning affects GAN performance.

Paper: https://arxiv.org/pdf/1805.08318
GitHub: https://github.com/brain-research/self-attention-gan

#GAN #SAGAN #مقاله #کد

#کد #GAN #pix2pix #keras

سایز وزودی شبکه U-Net در مدل pix2pix در مقاله آن به صورت 256 در 256 است. حالا اگر بخواهیم عکس هایی با سایز کوچکتر مثلا 32 در 32 را به شبکه ورودی بدهیم، بهتر است معماری مدل(هم شبکه مولد و هم شبکه تمییز دهنده) را اصلاح کنیم.

در این صفحه میتوانید کد کراس مربوط به این مدل را متناسب با سایز ورودی 32 در 32 موجود در دیتاست Cifar10 و با پارامترهای بسیار کمتر ببینید:

https://github.com/vrkh1996/pix2pix-modified

نتیجه آموزش مدل روی دیتاست Cifar10 برای 3 ایپاک به صورت اینکه مدل هر عکس ورودی را بازسازی کند برابر است با میانگین قدر مطلق خطا 0.0113 روی مجموعه آزمون(یعنی مدل به طور میانگین میتواند با دقت حدود 99 درصد همان عکس های ورودی را بازسازی کند).

فیلم آموزش مربوط به این مبحث:
https://www.aparat.com/v/S9bcT

#آموزش
آموزش شبکه ی مولد تخاصمی (GAN) برای تبدیل تصویر با روش های pix2pix و CycleGAN و پیاده سازی

https://www.aparat.com/v/S9bcT?c

جلسه آخر مباحث ویژه 2 با موضوع "یادگیری ژرف پیشرفته" مقطع کارشناسی دانشگاه تربیت دبیر شهید رجایی
دوشنبه، ۳ دی ۱۳۹۷



اسلاید:
http://fall97.class.vision/slides/17.pdf

کد (نوت بوک پایتون تنسرفلو - کراس) :
http://nbviewer.jupyter.org/github/alireza-akhavan/class.vision/blob/master/57-gan-pix2pix_tensorflow_eager.ipynb


#GAN #pix2pix #cyclegan #keras #tensorflow
#Image_to_Image_Translation

#مقاله #سورس_کد

MixNMatch: Multifactor Disentanglement and Encoding for Conditional Image Generation

Paper:
https://arxiv.org/abs/1911.11758

Github:
https://github.com/Yuheng-Li/MixNMatch

#GAN

DeepPrivacy: A Generative Adversarial Network for Face Anonymization

Abstract:
We propose a novel architecture which is able to automatically anonymize faces in images while retaining the original data distribution. We ensure total anonymization of all faces in an image by generating images exclusively on privacy-safe information. Our model is based on a conditional generative adversarial network, generating images considering the original pose and image background. The conditional information enables us to generate highly realistic faces with a seamless transition between the generated face and the existing background. Furthermore, we introduce a diverse dataset of human faces, including unconventional poses, occluded faces, and a vast variability in backgrounds. Finally, we present experimental results reflecting the capability of our model to anonymize images while preserving the data distribution, making the data suitable for further training of deep learning models. As far as we know, no other solution has been proposed that guarantees the anonymization of faces while generating realistic images.

Paper: https://arxiv.org/abs/1909.04538
Code: https://github.com/hukkelas/DeepPrivacy

#GAN #Face

AutoML + GAN = AutoGAN

AutoGAN: Neural Architecture Search for Generative Adversarial Networks

همانطور که میدانید آموزش GANها ترفندهای زیادی دارد و رسیدن به بهترین هایپرپرامترها کاری بسیار سخت و نیازمند جستجوی زیاد در فضای مسئله می‌باشد. این مقاله که در ICCV 2019 پذیرفته شده رویکردی را ارائه داده که می‌تواند تقریبا یکی از بهترین حالت‌ها را برای هایپرپارامترهای GAN به صورت خودکار پیدا کند.
در این رویکرد فضای جستجو‌یی برای شبکه مولد (Generator) تعریف شده و به وسیله یک شبکه بازگشتی (RNN) این جستجو هدایت می‌شود.

Paper: https://arxiv.org/abs/1908.03835
Code: https://github.com/TAMU-VITA/AutoGAN

#GAN

در این مقاله هوش مصنوعی دست خط شما را جعل میکنه ...

https://arxiv.org/abs/2003.02567

#GAN

#رویداد #آنلاین #رایگان #GAN
GANs for Good
چهارشنبه ۹ مهرماه

این رویداد آنلاین که با حضور بزرگان یادگیری عمیق برگزار می شود رایگان است. همین حالا ثبت نام کنید:

https://www.eventbrite.com/e/gans-for-good-tickets-121256079197?aff=speaker1


➖➖➖➖➖➖➖➖➖
این کانال با هدف آگاه سازی از رویدادهای مرتبط با هوش مصنوعی نظیر همایش، کنفرانس، ورک‌شاپ، کلاس و ... تشکیل شده است.

@eventai

#GAN
بزرگوارانی که این دوره را ثبت نام کردند، اما هنوز به گروه اد نشدند، لطفا به پشتیبانی دوره پیام بدهند:

@cvision_support

Self-Distilled StyleGAN: Towards Generation from Internet Photos

#gan
#StyleGAN
https://self-distilled-stylegan.github.io/

StyleGAN-T: Unlocking the Power of GANs for Fast Large-Scale Text-to-Image Synthesis

Video | Project page | Github | Paper

#GAN #StyleGAN

Drag Your GAN: Interactive Point-based Manipulation on the Generative Image Manifold
https://huggingface.co/papers/2305.10973

#gan