gans

TT-Net为条件生成对抗网络引入了一种量子启发的张量网络去噪模块，能够访问跨通道信息，在不同类型的噪声上，在PSNR和SSIM指标上优于SVD-Net和其他方法。

一份精心策划的指南，通过完整的YouTube直播课程系列来学习使用PyTorch进行深度学习，内容涵盖从张量到生成对抗网络，共分为六个部分。

本文针对耦合梯度下降中的块三角Jacobian矩阵建立了精确的伪谱理论，证明了Kreiss常数界并给出了迭代复杂度结果。研究揭示了与双层优化、双时间尺度随机逼近以及GAN训练相关的非渐近、实例相关的瞬态放大现象。

本文提出CAT，一种跨尺度对齐变换器，通过强制中间GAN输出与最终输出之间的一致性来解决轨迹错位问题，在ImageNet-256上实现了1.56的最优FID。

本文系统性地研究了轨迹数据生成模型中的隐私风险，发现了经验隐私评估中的空白，并对代表性模型展示了成员推理攻击。

OT-GAN 提出了一种新颖的 GAN 变体，在对抗学习的特征空间中结合最优传输和能量距离，以提高训练稳定性和图像生成质量。该方法在基准问题上展示了最先进的结果，使用大批量数据实现了稳定的训练。