研究背景
研究生阶段从事计算机视觉方面的研究，因此需要大量研读顶会顶期刊的论文，更好了解行业发展情况。
研究参考
CVPR_2019_Paperlist
深度学习中的图像处理
各种GAN的paper汇总更新
17年深度学习在CV领域的进展以及一些由深度学习演变的新技术
顶会论文Openaccess(ICCV/CVPR/ECCV)
顶会论文Openaccess(NIPS)
2018 CVPR GAN 相关论文调研
NIPS paper
2019 AI/计算机/机器人顶会时间表
代码
学术论文写作
学术论⽂文写作⽅方法和技巧
清华刘知远：如何写一篇合格的NLP论文
计算机视觉CV领域同样可以参考
阅读原则
基本原则一键下载 | 128篇论文，21大领域，最值得看的资源全在这了
从全局到枝干：从综述类、全局性的文章到细分领域的具体论文。
从经典到最前沿：每个话题的文章都是按时间顺序来排的，可以清晰给出每个方向的发展脉络。
从通用理论到具体应用：有些论文是针对深度学习通用理论的，有些论文章则针对具体的应用领域。
专注于最先进的研究：收集有许多最新论文，保证阅读列表的时效性。
论文笔记
图像生成
1、综述
2、Glow: Generative Flow with Invertible 1 ×1 Convolutions
3、基于CPPN与GAN+VAE生成高分辨率图像
水下图像生成
1、WaterGAN：实现单目水下图像实时颜色校正的无监督生成网络
论文地址 paper
论文代码 github
论文代码 github
2、使用生成对抗网络对水下图像增强
Enhancing Underwater Imagery using Generative Adversarial Networks
论文地址 paper
论文代码 github
参考 链接
3、训练图像基于地质统计学反演使用空间生成对抗神经网络
Training-Image Based Geostatistical Inversion Using a Spatial
Generative Adversarial Neural Network
论文地址 paper
4、利用多通道生成对抗网络合成未配对水下图像
The Synthesis of Unpaired Underwater Images Using a Multistyle Generative Adversarial Network
论文地址 paper
文本到图像
1、 Inferring Semantic Layout for Hierarchical Text-to-Image Synthesis
图像超分辨率
1、Residual Dense Network for Image Super-Resolution
论文地址链接
论文代码链接
论文代码PyTorch链接
笔记链接
图像分割
1、Learning Deconvolution Network for Semantic Segmentation
关于图像采样方式学习
数字图像处理之采样、量化、插值、傅里叶变换
论文地址链接
论文代码作者Matlab源码
论文代码Tensorflow
笔记链接
2、Learning Hierarchical Semantic Image Manipulation through Structured Representations
论文地址链接
作者主页 Seunghoon Hong
参考链接谷歌等祭出图像语义理解分割神器，PS再也不用专业设计师！
论文代码official
笔记链接
图像风格转换
1、综述
视频分割
1、Fast Video Object Segmentation by Reference-Guided Mask Propagation
论文地址链接
论文代码作者pytorch源码
笔记链接
参考链接
视频超分辨率
1、Deep Video Super-Resolution Network Using Dynamic Upsampling Filters Without Explicit Motion Compensation
论文地址链接
论文代码作者tensorflow源码
笔记链接
2、Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network
论文地址链接
论文代码作者PyTorch源码
笔记链接
从SRCNN到EDSR，总结深度学习端到端超分辨率方法发展历程
torch.nn.pixel_shuffle
图像信息隐藏
深度学习在信息隐藏中的应用（上）
深度学习在信息隐藏中的应用（下）
1、Hiding Images in Plain Sight: Deep Steganography
论文地址链接
论文代码Tensorflow (unofficial)
论文代码Tensorflow (Challenge)
笔记链接
参考链接
2、Steganographic Generative Adversarial Networks
NIPS2016论文地址链接
论文代码official
3、Learning to Protect Communications with Adversarial Neural Cryptography
论文地址链接
论文代码unofficial
论文代码Tensorflow
论文代码代码实现
参考链接
参考链接
参考链接
参考AI已杀入密码界
参考利用生成对抗网络保护通信
4、SSGAN: Secure Steganography Based on Generative Adversarial Networks
论文地址链接
参考链接
论文代码链接，暂无代码
5、Deep learning for steganalysis via convolutional neural networks
论文 /home/Files/NIPS
参考图像隐写术分析论文笔记
6、Steganalysis via a Convolutional Neural Networkusing Large Convolution Filtersfor Embedding Process with Same Stego Key
论文地址链接
论文代码official
7、Deep learning is a good steganalysis tool when embedding key is reused for different images, even if there is a cover source-mismatch
论文地址链接
8、Structual design of convolutional neural networks for steganalysis
论文地址链接
参考阅读笔记
9、Deep learning hierarchical representations for image steganalysis
论文地址链接
论文代码Pytorch
10、Spatial Image Steganography Based on Generative Adversarial Network
论文地址链接
11、Invisible steganography via generative adversarial networks
论文地址链接
论文代码链接
12、END-TO-END TRAINED CNN ENCODER-DECODER NETWORKS FOR IMAGESTEGANOGRAPHY
论文地址链接
13、CycleGAN, a Master of Steganography
论文地址链接
14、Automatic Steganographic Distortion Learning Using a Generative Adversarial Network
论文地址链接
参考链接
GAN_steganographycode
15、PROGRESSIVEGROWING OFGANS FORIMPROVEDQUALITY, STABILITY,ANDVARIATION
论文地址链接
代码地址链接
16、SteganoGAN: High Capacity Image Steganography with GANs
论文地址链接
代码地址链接
17、PassGAN: Cracking Passwords With Generative Adversarial Networks
18、Automatic steganographic distortion learning using a generative adversarial network
论文地址链接
论文代码复现
19、StegaStamp: Invisible Hyperlinks in Physical Photographs
论文地址链接
论文代码链接
知识补充
在GAN中，如果判别模型太过强大，那么生成模型会产生两种情况：一种情况是发现自己完全被针对，模型参数无法优化；另外一种情况是发现判别模型的一些漏洞后，它的模型将退化，不管输入是什么样子，输出统一变成之前突破了判别模型防线的那几类结果。这种情况被称为“Mode Collapse”，有点像一个复杂强大的模型崩塌成一个简单弱小的模型，这样的模型即使优化结果很好，也不能拿去使用。
高效论文笔记
论文题目
作者介绍
论文拟解决的主要问题
论文主要研究内容
论文使用的所有理论/算法
论文的创新点
论文的结论
我的观点和思考
网友评论