生成对抗网络标签_AtomGit开源社区

生成对抗网络

数字孪生和世界模型，二者的技术边界正在慢慢融合吗？

数字孪生和世界模型，二者的技术边界正在慢慢融合吗？

人工智能培训
2026-06-16 16:45:40

 243

 7

#人工智能 #知识图谱 #深度学习 +2
人工智能 / 电子与通信 / 信息与控制 / 能源科学 / 生物医学 / 工程技术/ 数理与基础科学类 / 人文社科领域 EI会议：2026 年学术会议精选（EI稳检索 + 权威出版）【7-8月新推】

2026年7-8月EI国际学术会议精选推荐，覆盖人工智能、电子通信、能源科学、生物医学等热门领域。会议满足权威出版（IEEE/SAE等）、稳定EI检索、Scopus收录等核心标准，由双一流高校主办，主题匹配度高。重点推荐：7月10-12日EEMS2026（能源环境材料）、8月7-9日AINLP2026（AI自然语言处理）、8月21-23日ICAITA2026（AI技术应用）等高质量会议，为硕博学者

 艾思科蓝 AiScholar
2026-06-15 13:40:33

 771

 27

#人工智能 #人机交互 #信息可视化 +4
现有世界模型项目与通用仿真的差距

现有世界模型项目与通用仿真的差距

 人工智能培训
2026-06-11 15:17:56

 819

 5

#人工智能 #知识图谱 #深度学习 +2
pix2pix相较于GAN的改进

PatchGAN不判断整张图的真假，而是将图像分成多个NxN的局部小块分别判断，最后取平均。这使得模型更关注图像的局部纹理和清晰度（高频信息），而不是整体布局（低频信息）。L1损失会逐像素计算生成图像与真实目标图像之间的差异，强制保证生成结果在整体结构和颜色上接近“标准答案”。（如轮廓图、语义标签图），是生成过程变得可控，实现了“输入一张图，输出。，目标是生成一张看起来真实的图像，但具体生成什么内

 小小红帽子
2026-06-09 11:08:12

 243

 6

#生成对抗网络 #人工智能 #神经网络
电力电子工程师的神兵利器：一台TH521搞定SiC/GaN所有测试痛点

TH521系列半导体参数分析仪通过高度集成化的设计，将复杂的IV、CV、Qg及热测试整合于单一平台。它不仅解决了传统测试中需要多台设备拼接的繁琐，更通过AI智能与自动化手段，显著提升了功率器件选型的效率与准确性，是电力电子工程师不可或缺的“全能搭档”。

zhonghaoxincekj
2026-05-20 15:10:13

 334

 7

#生成对抗网络 #人工智能 #神经网络
创新性爆表！基于CNN与KAN网络结合的高分思路！

发现很多人在做KAN时，关注点都放在KAN本身的结构改进上，这个已经很难卷了，现在真正容易出成果的，反而是KAN与经典架构的结合。尤其是KAN+CNN这条路线，近两年相关工作越来越多。从图像分类、目标检测到医学影像、遥感分析，不少研究都在尝试利用CNN强大的局部特征提取能力，结合KAN的可解释性和非线性建模优势，在保证性能的同时提升模型表达能力。这块最大的难点一般不是搭模型，而是不知道别人已经做到

 程序员小嬛
2026-06-08 14:47:42

 236

 4

#cnn #人工智能 #神经网络 +2
【GAN 系列·第九篇】GAN 的评估指标：FID、IS 与 Precision-Recall，如何量化生成质量

摘要本文深入探讨了GAN模型的评估指标，重点分析了FID、IS和Precision-Recall三大核心指标。首先指出GAN评估的挑战在于缺乏明确标签、像素级误差不适用、质量与多样性难以平衡等问题。然后详细解析了Inception Score（IS）的计算原理及其局限性，包括对ImageNet类别的偏好和无法捕捉模式崩溃等缺陷。接着介绍了当前主流的FID指标，它通过比较生成数据与真实数据在特征空

 拾-光
2026-06-06 08:00:00

 325

 2

#生成对抗网络 #人工智能 #神经网络 +4
创新升级！从 Conditional DCGAN 到 Conditional WGAN-GP：小样本故障诊断生成增强再进阶

上一期我们提出了基于 CWT + Conditional DCGAN 的故障样本生成增强方法，本期在此基础上进一步升级，构建 Conditional WGAN-GP 生成增强模型。相比 Conditional DCGAN，Conditional WGAN-GP 引入 Wasserstein 距离与梯度惩罚（Gradient Penalty, GP），能够有效缓解传统 GAN 训练中常见的梯度不稳定

 【建模先锋】
2026-06-05 22:46:21

 268

 6

#深度学习 #生成对抗网络
【GAN 系列·第十二篇·收官】GAN 的前沿与未来：GigaGAN、VQGAN、对抗扩散蒸馏与系列总结

文章摘要本文是GAN系列文章的收官之作，探讨了GAN技术的最新发展与未来方向。文章首先回顾了GAN从2014年诞生到2021年的黄金时期，以及2021-2022年面临扩散模型的挑战。重点介绍了2023年以来GAN的三大前沿突破：1) GigaGAN实现了超大规模文本到图像生成；2) VQGAN通过离散化潜空间连接GAN与Transformer；3) 对抗扩散蒸馏(ADD)将GAN思想注入扩散模型

 拾-光
2026-06-05 06:29:51

 91

 2

#生成对抗网络 #人工智能 #神经网络 +4
【GAN 系列·第十篇】GAN vs VAE vs 扩散模型：三大生成范式的完整对决

本文对比了GAN、VAE和扩散模型三大生成范式，从信息论视角揭示了它们的优化目标差异。GAN通过对抗博弈最小化JS散度，擅长高质量图像生成；VAE通过变分推理最大化ELBO，倾向于覆盖所有模式但结果模糊；扩散模型通过分层去噪优化MSE损失，训练稳定且质量高。实验显示，GAN在图像质量上领先，VAE适合低维表示，扩散模型在文生图任务中表现突出。选型指南建议：追求质量选GAN/扩散，需要稳定训练选VA

拾-光
2026-06-05 06:30:00

 339

 6

#生成对抗网络 #人工智能 #神经网络 +4
【GAN 系列·第八篇】StyleGAN：风格解耦与精细控制，从映射网络到 AdaIN

文章摘要 StyleGAN是NVIDIA在2019年提出的革命性生成对抗网络，通过三大创新将人脸生成推向了新高度：1）映射网络将噪声z转换为解耦的风格向量w，实现属性独立控制；2）AdaIN机制在不同分辨率层注入风格特征，实现粗粒度（姿态/脸型）到细粒度（发丝/纹理）的多尺度控制；3）渐进式训练从4×4逐步提升至1024×1024分辨率。相比传统GAN，StyleGAN的FID指标从40提升至4.

拾-光
2026-06-04 06:23:45

 233

 6

#生成对抗网络 #人工智能 #神经网络 +4
基于1D-GAN生成对抗网络的数据生成方法研究附Matlab代码

在众多数据驱动的领域，如机器学习、信号处理等，高质量的数据对于模型的训练和性能提升至关重要。然而，实际应用中常常面临数据稀缺、数据不平衡等问题。生成对抗网络（Generative Adversarial Networks，GAN）作为一种强大的生成模型，能够通过对抗训练机制学习数据的分布，并生成与真实数据相似的样本。1D - GAN 则专注于一维数据的生成，在时间序列数据生成、音频处理等方面具有广

 Matlab科研工作室
2026-05-27 22:39:25

 38

#生成对抗网络 #matlab #人工智能
基于1D-GAN生成对抗网络的数据生成方法研究附Matlab代码

在众多数据驱动的领域，如机器学习、信号处理等，高质量的数据对于模型的训练和性能提升至关重要。然而，实际应用中常常面临数据稀缺、数据不平衡等问题。生成对抗网络（Generative Adversarial Networks，GAN）作为一种强大的生成模型，能够通过对抗训练机制学习数据的分布，并生成与真实数据相似的样本。1D - GAN 则专注于一维数据的生成，在时间序列数据生成、音频处理等方面具有广

 Matlab_数学建模助手
2026-05-27 22:39:23

 139

 2

#生成对抗网络 #matlab #人工智能
基于1D-GAN生成对抗网络的数据生成方法研究附Matlab代码

在众多数据驱动的领域，如机器学习、信号处理等，高质量的数据对于模型的训练和性能提升至关重要。然而，实际应用中常常面临数据稀缺、数据不平衡等问题。生成对抗网络（Generative Adversarial Networks，GAN）作为一种强大的生成模型，能够通过对抗训练机制学习数据的分布，并生成与真实数据相似的样本。1D - GAN 则专注于一维数据的生成，在时间序列数据生成、音频处理等方面具有广

 Matlab论文助手
2026-05-27 22:39:24

 127

 2

#生成对抗网络 #matlab #人工智能
基于1D-GAN生成对抗网络的数据生成方法研究附Matlab代码

在众多数据驱动的领域，如机器学习、信号处理等，高质量的数据对于模型的训练和性能提升至关重要。然而，实际应用中常常面临数据稀缺、数据不平衡等问题。生成对抗网络（Generative Adversarial Networks，GAN）作为一种强大的生成模型，能够通过对抗训练机制学习数据的分布，并生成与真实数据相似的样本。1D - GAN 则专注于一维数据的生成，在时间序列数据生成、音频处理等方面具有广

 Matlab算法改进和仿真定制工程师
2026-05-27 22:39:21

 115

 4

#生成对抗网络 #matlab #人工智能
基于1D-GAN生成对抗网络的数据生成方法研究附Matlab代码

在众多数据驱动的领域，如机器学习、信号处理等，高质量的数据对于模型的训练和性能提升至关重要。然而，实际应用中常常面临数据稀缺、数据不平衡等问题。生成对抗网络（Generative Adversarial Networks，GAN）作为一种强大的生成模型，能够通过对抗训练机制学习数据的分布，并生成与真实数据相似的样本。1D - GAN 则专注于一维数据的生成，在时间序列数据生成、音频处理等方面具有广

 matlab科研助手
2026-05-27 22:39:20

 117

 2

#生成对抗网络 #matlab #人工智能
我写了一个所有 AI 都需要的质检工具：开源 TrustEngine

开源项目AIFlowArchitect推出TrustEngine，专注解决AI生成内容的质量审查问题。该项目并非传统AIAgent框架，而是作为独立审查中间件，为现有AI工具提供质量控制功能。核心创新包括：零状态审计、多模型交叉仲裁、证据链可追溯和不确定性透明。TrustEngine可与CrewAI、LangChain等主流工具无缝集成，通过三行代码即可添加质检系统。项目还提供完整的三脑工作流，将

 2601_96113992
2026-05-26 11:40:35

 1850

 69

#人工智能 #python #开源 +4
深度分析字节最新研究cola-DLM第 06 章：分块因果 DiT 先验 —— 在隐空间里做 Flow Matching

分块因果DiT先验模型摘要 Cola-DLM提出了一种基于Transformer的连续隐空间扩散模型，将DiT架构从图像领域迁移到文本处理。模型核心包括：架构设计：采用24层Transformer结构，通过PatchIn1D/PatchOut1D处理隐变量序列，使用AdaLN注入时间步信息。关键组件：时间步通过正弦嵌入+MLP编码 AdaLN实现条件归一化（scale-shift和gate-

Yunzenn
2026-05-25 18:02:12

 621

 15

#人工智能 #深度学习 #transformer +4
《实现OpenClaw网络打通：搭建自己的“私有AI助手”》

不知道有没有人跟我一样，盯着进度条熬了半天终于把OpenClaw跑起来了，结果对着那个干净得像白纸一样的界面，脑子瞬间空白——然后呢？我该拿它干嘛？这种感觉就像好不容易爬到山顶，结果发现忘了带相机。工具都在，但不知道往哪使劲。

Dovis(誓平步青云）
2026-05-25 12:40:51

 1.5w

 57

#网络 #人工智能 #prometheus +2
Google Stitch 3.0 新手快速上手指南

本文介绍了如何利用OpenCV的Stitcher模块实现高效全景图像拼接。文章首先分析了图像拼接的核心痛点，指出开源方案在成本控制和灵活性上的优势。随后详细讲解了Stitcher模块的环境搭建、参数配置和基础拼接流程，包括多图批量处理的方法。针对拼接效果优化，提出了边缘融合和裁剪技巧，并分析了常见报错的解决方案。最后讨论了大规模数据处理的性能调优策略，为开发者提供了一套完整的开源全景图生成方案，既

 氨苯蝶啶
2026-05-25 10:59:30

 750

 11

#运维 #opencv #数据挖掘 +4
（论文速读）基于GAN的一维医学数据增强

基于WGAN-GP的一维医学数据增强方法，解决医学AI面临的数据稀缺和不均衡问题。针对影像组学等一维医学数据，该方法通过改进的生成对抗网络生成高质量合成样本。实验在心脏病和放射性肺炎数据集上验证，相比SMOTE和普通GAN，WGAN-GP显著提升AUC和敏感性指标，尤其在小样本场景优势明显。可视化分析显示生成数据分布更接近真实样本。该研究首次将WGAN-GP应用于一维医学数据增强，为医疗AI数据瓶

 LJ1147517021
2026-05-23 19:54:30

 679

 14

#人工智能 #生成对抗网络
【扩散模型系列·第一篇】扩散模型是什么：从加噪到去噪的直觉，以及为什么它能打败 GAN

本文介绍了扩散模型的基本原理及其在生成模型领域的优势。文章从物理扩散现象入手，直观解释了扩散模型通过逆向学习去噪过程实现图像生成的机制。核心思想分为两个过程：前向加噪（人为定义）和反向去噪（神经网络学习）。与GAN和VAE相比，扩散模型具有训练稳定、生成质量高、多样性好等优势。文章还通过伪代码展示了扩散模型的训练和推理流程，并指出预测噪声而非直接预测图像的设计优势。最后简要对比了GAN、VAE和扩

 拾-光
2026-05-23 04:03:03

 559

 7

#生成对抗网络 #人工智能 #神经网络 +4
智能体+大模型=新生产力

现在，智能体+大模型可以完成一个完整的功能开发：它会自己创建项目文件夹、安装依赖包、写代码、运行测试、发现bug后自动修复，最后提交到代码仓库。未来的办公软件里，你不再是一个人面对电脑，而是你率领着十几个智能体：一个管邮件，一个管日程，一个管数据分析，一个管对外沟通。工业革命替代体力，信息化替代简单计算，而智能体+大模型替代的是“需要多步骤、跨系统、依情况决策”的复杂协作。当智能体处理好订票、报销

 renhongxia1
2026-05-21 09:25:00

 359

 3

#知识图谱 #人工智能 #生成对抗网络 +2
数字孪生：虚拟调试，真实交付

最终的交付物不仅是运转的设备，还包括一整套经过充分验证的数字孪生模型，为未来的运维、改造、扩展留下珍贵的数字资产。第二步，将虚拟模型与真实的控制器（PLC、机器人控制器）连接——不是模拟器，而是用真实品牌的控制软件，跑真实的程序代码。采用虚拟调试后，工程师在办公室电脑上先模拟了所有机器人的运动路径，发现了三处干涉和五处时序冲突，提前修改了程序和布局。虚拟调试，就是在数字孪生环境中，把物理设备、控制

 renhongxia1
2026-05-19 11:48:01

 872

 18

#生成对抗网络 #人工智能 #自然语言处理 +2
红外图像/红外遥感图像/可见光红外图像对近红外和可见光成对图像生成对抗网络的风格迁移，或者图像融合/图像生成/图像转换可见光遥感生成红外遥感图像，37500对图像数据

本文介绍了一种基于生成对抗网络（GAN）的可见光遥感图像到红外遥感图像的转换方法。研究使用37500对可见光和红外遥感图像对，采用Pix2Pix模型进行图像风格迁移和转换。文章详细阐述了数据预处理、模型训练和评估的完整流程，包括环境配置、数据集构建、模型训练参数设置以及结果可视化方法。实验结果表明，该方法能有效实现可见光图像到红外图像的转换，为遥感图像处理提供了新的技术手段。文中还提供了PSNR和

 DeepLearningYolo
2026-05-19 08:12:46

 470

 15

#生成对抗网络 #计算机视觉 #深度学习
从仿真到预测：数字孪生进阶

从仿真到预测，从预测到自主——数字孪生的进阶之路，本质是让数字世界不仅看见现实，更先于现实一步做出最优安排。地铁公司为转向架建立预测孪生后，不再每三个月强制拆检，而是轮对跑满一定里程后，用孪生体评估剩余寿命，提前两周安排更换。仿真时的模型是崭新的、理想的，而真实设备运行一年后，轴承间隙大了、散热器积灰了、传感器漂移了——这些变化仿真软件一概不知。比如孪生体发现“按照当前生产计划，3号机床将在下周三

 renhongxia1
2026-05-18 10:59:59

 719

 21

#知识图谱 #人工智能 #生成对抗网络 +2
面向低标注数据的半监督语义分割一致性正则化，半监督语义分割实战：用最少标注数据实现高性能分割模型

现在我们定义两套增强策略：弱增强和强增强。python"""弱增强：仅做基本缩放和水平翻转"""])"""强增强：更多扰动，用于一致性正则化"""])# 验证集（无增强，仅Resize）])我们使用库，它提供了预训练的DeepLabV3+。python"""创建DeepLabV3+分割模型Args:num_classes: 分割类别数（包括背景）backbone: 骨干网络，可选 'resnet3

算法魔法师
2026-05-15 08:53:48

 30

#人工智能 #生成对抗网络 #深度学习 +2
基于生成对抗网络的隐私保护数据合成，当AI学会“说谎”：GAN如何用虚假数据守护你的真实隐私

GAN（Generative Adversarial Network）的概念其实很朴素：一个生成器拼命造假，一个判别器拼命打假，两者在对抗中共同进化。把这个逻辑搬到隐私保护场景，会变得特别有意思——生成器学习真实数据的统计分布，但不会记住任何具体个体的信息。最终产出的合成数据，看起来像真的，用起来像真的，但追溯不到任何原始个人。这背后的核心机制叫做“隐私透镜”：生成器的梯度更新中，我们刻意丢弃了与

 算法魔法师
2026-05-15 08:48:04

 28

#人工智能 #深度学习 #目标检测 +3
揭秘知识图谱如何连接万物

比如“可乐”连上“碳酸饮料”，“碳酸饮料”连上“可口可乐公司”，“可口可乐公司”连上“亚特兰大”。系统不仅看你买过什么，还会顺着关系走：你买了“纯牛奶”，而“纯牛奶”连接到了“新西兰牧场”，同一个牧场出产的“奶粉”也被连接到一起。常见的关系有“属于”“位于”“发明了”“配偶”等等。比如“苹果”这个实体，可以带上“颜色：红”“含糖量：高”“产地：山东”等属性。”传统搜索可能返回一堆包含“姚明”“妻子

 renhongxia1
2026-05-14 09:10:45

 532

 7

#知识图谱 #人工智能 #生成对抗网络 +2
第七章《创造与想象》完整学习资料

本章陆鸣从“识别”跨入“创造”，利用变分自编码器（VAE）和生成对抗网络（GAN）让AI生成从未出现过的新物体——从3D打印零件到逼真的合成图像。同时直面深度伪造的伦理挑战，为净土地设计可用的生成式设计流程。

风落无尘
2026-05-11 11:28:33

 383

 10

#语言模型 #生成对抗网络 #人工智能
基于GAN生成对抗网络模型的图像生成与虚拟场景构建系统matlab仿真

摘要：本文提出了一种基于生成对抗网络(GAN)的三维虚拟场景构建方法。通过构建生成器与判别器的对抗博弈，算法能够学习真实地形的统计特征并生成高质量虚拟环境。研究采用MATLAB 2024b实现，核心程序包括地形生成、建筑物添加和场景漫游动画等功能。理论部分详细阐述了GAN的目标函数、网络前向传播过程及损失函数计算方法。实验结果表明，该方法能有效生成分辨率可调的三维虚拟地形场景，适用于游戏开发、仿真

 aycd1234
2026-05-10 00:54:41

 466

 10

#生成对抗网络 #人工智能 #神经网络 +1
结构风振仿真-主题022-RANS模型与应用

在计算流体力学(CFD)领域，湍流模拟一直是核心挑战之一。湍流是一种高度复杂的三维非定常流动现象，其特征是多尺度涡旋结构和能量级串。对于工程应用而言，直接数值模拟(DNS)虽然能够精确求解所有尺度的湍流运动，但其计算成本极高，难以应用于实际工程问题。大涡模拟(LES)虽然比DNS经济，但仍需要相当大的计算资源。因此，基于时间平均的雷诺平均纳维-斯托克斯(RANS)方法成为工程湍流模拟的主流方法。R

kkchenkx
2026-05-09 21:18:15

 406

 7

#神经网络 #人工智能 #深度学习 +2
【论文解读】【高被引论文】：基于WGAN-GP与SE-ResNet1D的心律失常检测方法

本文提出了一种基于WGAN-GP和SE-ResNet1D的心律失常检测方法。针对心电图数据不平衡问题，采用改进的WGAN-GP生成模型，通过双向GRU增强时序特征生成能力。同时设计一维SE-ResNet分类模型，利用通道注意力机制提升特征提取效果。实验采用严格的跨患者数据划分，在MIT-BIH数据库上取得96.27%的F1值，优于现有方法。该方法为医学时间序列分类提供了数据增强和模型设计的完整解决

 风儿吟
2026-05-09 09:41:39

 385

 10

#人工智能 #生成对抗网络 #神经网络
论文阅读：基于超分辨率生成对抗网络与残差网络的地震波时空多尺度全波形反演

——基于超分辨率生成对抗网络与残差网络的地震波时空多尺度全波形反演全波形反演（FWI）是估算地下模型参数的一种流行方法，通常采用频率多尺度串行反演策略以达到所需的分辨率。然而，这种方法计算成本高，并且由于速度模型的分辨率依赖于频率，通常会产生不精确的结果。为了提高FWI的效率和准确性，本研究引入了一种基于深度学习的改进型空间多尺度串行高分辨率反演策略。该策略首先利用粗网格进行低频反演以捕捉地下总体

 沐沐sheng
2026-05-08 16:07:48

 410

 10

#论文阅读 #生成对抗网络
《智能重生：从垃圾堆到AI工程师》——第七章创造与想象

本章陆鸣不再满足于“识别”已有事物，而是尝试让AI创造从未出现过的新东西。他利用变分自编码器（VAE）在潜在空间中连续采样，生成新的3D零件；又用生成对抗网络（GAN）制造出肉眼难辨的合成图像。同时，他直面深度伪造的伦理挑战，并思考“创世者”是否也使用了类似技术。

风落无尘
2026-05-08 12:45:52

 418

 6

#人工智能 #生成对抗网络 #图像处理
【论文速递】【高被引论文】ECG-ADGAN：基于时序生成对抗网络的心电异常检测新范式，多项指标超越现有SOTA。

本文提出了一种新型时序生成对抗网络ECG-ADGAN，用于心电图异常检测。该模型创新性地结合Bi-LSTM网络和小批量判别策略，有效解决了传统方法在罕见异常检测和时序特征提取上的不足。实验表明，ECG-ADGAN在MIT-BIH数据集上达到95.5%的准确率，对未知异常类型也展现出优异的泛化能力。该研究为医疗AI中的异常检测提供了新的技术框架，具有重要的临床应用价值。

风儿吟
2026-05-08 10:52:36

 511

 10

#生成对抗网络 #人工智能 #神经网络
结构风振仿真-主题013-非平稳风荷载模拟方法

实际风荷载往往具有显著的非平稳特性，特别是在台风、雷暴等极端天气条件下。本教程系统介绍非平稳随机过程的理论基础、时变功率谱密度、演变谱理论以及非平稳风荷载的模拟方法，包括乘积模型、滤波器模型、小波变换方法和时频分析方法。通过详细的Python数值算例，演示非平稳风荷载的生成、时频特性分析和结构响应计算，为极端风况下的结构风振分析提供完整的技术指南。关键词：非平稳随机过程；演变谱；时变功率谱；乘积模

 kkchenkx
2026-05-07 21:39:35

 405

 6

#数据库 #神经网络 #人工智能 +4
扩散模型登顶图像合成：全面超越GAN的架构革新与分类器引导策略全解析

这篇论文的问世，直接改写了图像生成领域的发展格局。它不仅用扎实的实验证明了扩散模型在图像合成质量上可以全面超越GAN，更提出了分类器引导这一开创性技术，为后续的文本引导扩散模型奠定了核心基础——如今大火的Stable Diffusion、Midjourney等模型，其核心的CFG（Classifier-Free Guidance）技术，正是从本文的分类器引导演化而来。除此之外，本文解决了扩散模型采

 weixin_46200189
2026-05-07 20:45:00

 915

 16

#生成对抗网络 #架构 #人工智能
工程科研中的AI应用：结构力学分析技巧

有限元计算慢，但如果你需要反复调用同一个模型（比如优化迭代、蒙特卡洛模拟），可以训练一个“代理模型”——用神经网络或高斯过程近似有限元的输入输出映射。对于工程科研人员来说，掌握一两个AI工具——比如用Python搭建一个简单的代理模型，或者用开源的图像识别库做裂缝检测——就能显著提升工作效率。AI在结构力学中的应用，不是“取代力学”，而是“补力学之短”。本构模型描述应力-应变关系，是力学分析的基础

 renhongxia1
2026-05-06 09:56:48

 812

 22

#人工智能 #生成对抗网络 #深度学习 +2
【附Python源码】GAN网络实现图像生成

本文介绍了使用PyTorch实现生成对抗网络(GAN)生成MNIST手写数字的方法。项目采用模块化设计，包含数据预处理、生成器和判别器网络结构。生成器通过全连接层和转置卷积将噪声向量转换为图像，判别器则采用对称的卷积结构。训练过程使用Adam优化器和BCELoss损失函数，支持多GPU并行和断点续训。通过监控判别器和生成器损失指标，评估训练效果。最终生成的数字图像质量可通过样本可视化和潜在空间插值

 谙弆悕博士
2026-05-04 16:38:22

 490

 9

#python #生成对抗网络 #网络 +4
PyTorch强化学习实战——构建生成对抗网络生成Atari游戏画面

本节通过一个实战，展示了使用 PyTorch 构建生成对抗网络 (Generative Adversarial Networks, GAN) 生成 Atari 游戏画面的完整流程。首先介绍了 GAN 的基本原理：生成器与判别器相互博弈，逐步提升生成图像的真实性。随后详细实现了图像预处理包装类、判别器与生成器的网络结构，以及训练数据生成函数。核心训练过程中，交替优化判别器和生成器。经过迭代训练，生成

 盼小辉丶
2026-05-03 08:15:00

 926

 20

#pytorch #生成对抗网络 #游戏
总览-对CS236课程Lecture 8的整理

本文介绍了流模型的核心思想及几种典型算法。流模型通过多层函数转换实现数据变换，其关键在于雅可比行列式的计算优化。NICE算法采用加性耦合层使雅可比矩阵三角化，Real-NVP则引入缩放乘法增强表达能力。MAF和IAF分别针对训练和生成进行优化：MAF编码快但生成慢，IAF则相反。PWN创新性地结合两者优势，先用MAF训练教师模型，再训练IAF学生模型。MintNet则借鉴掩码卷积实现雅可比矩阵三角

 w348917281
2026-05-02 21:27:28

 527

 7

#人工智能 #深度学习 #神经网络 +1
总览-对CS236课程Lecture 7的整理

本文摘要：文章首先回顾了VAE（变分自编码器）的核心结构，包括编码器（输出隐变量的均值和方差）和解码器（重构数据），并分析了其损失函数由自编码误差项和KL散度正则项组成。接着通过宇航员传输图像的比喻说明VAE的隐变量采样机制。随后对比自回归模型（逐像素预测）与VAE的优缺点，提出结合两者优势的流模型（Flow Model）。流模型通过可逆映射直接建立隐变量z与数据x的双向关系，利用雅可比行列式解

 w348917281
2026-05-02 00:28:04

 418

 14

#人工智能 #深度学习 #生成对抗网络 +1
【路径规划】基于生成对抗网络的采样器RRT路径规划附matlab代码

路径规划在机器人运动控制、自动驾驶、物流运输等众多领域都有着至关重要的应用。快速探索随机树（RRT）算法是路径规划中常用的一种概率完备的搜索算法，它通过在状态空间中随机采样点并构建搜索树来寻找可行路径。然而，传统 RRT 算法的随机采样方式可能导致搜索效率低下，尤其在复杂环境中，可能需要大量采样才能找到有效路径。生成对抗网络（GAN）作为一种强大的生成模型，能够学习数据的分布并生成具有相似分布的新

 Matlab科研工作室
2026-05-01 21:45:19

 70

#生成对抗网络 #matlab #算法
远程开发团队全球协作晋升密码解析

同时，工作可见性危机也随之而来，大量的前置工作，如需求评审介入、测试策略设计、自动化框架搭建等“隐性投入”，在远程环境中更难被团队感知，导致测试工程师容易被视为被动的“需求验证者”而非主动的“质量共建者”。例如，某金融科技公司的测试团队引入AI辅助测试工具，通过机器学习优化用例生成，使得测试效率提升了50%，同时降低了30%的测试成本。例如，某互联网公司的测试团队在CI/CD流程中加入自动化质量门

 2501_94449023
2026-04-30 16:49:57

 429

 13

#开源 #制造 #压力测试 +4
AI伦理官认证体系与高薪就业指南

AI伦理官：测试工程师的职业新赛道（摘要） 2026年，AI伦理官成为企业治理核心角色，需确保算法决策的公平性、透明性及合规性。软件测试从业者凭借系统验证能力与风险预判意识，天然契合该岗位需求。AI伦理官职责涵盖伦理风险评估（如设计偏见检测用例）、决策透明度保障（通过SHAP等工具验证逻辑）及合规审计（生成量化报告）。全球认证体系分为国际通用型（如IEEE CertifAIEd）、技术工具型（如A

2501_94449023
2026-04-30 16:37:58

 499

 3

#人工智能 #量子计算 #制造 +3
主题095_辐射换热与传质耦合现象

辐射换热与传质耦合是工程热物理领域的重要研究方向，涉及蒸发冷却、燃烧过程、大气科学、材料加工等众多应用场景。本主题将系统介绍辐射与传质耦合的基本理论、数学模型和数值方法，重点探讨辐射对相变传质的影响、参与性介质中的辐射-扩散耦合、以及多孔介质中的辐射-对流传质问题。通过Python仿真程序，我们将模拟液滴蒸发过程中的辐射效应、湿空气在辐射场中的传热传质、以及工业干燥过程中的耦合现象，为理解这一复杂

 kkchenjj
2026-04-29 21:02:13

 96

#边缘计算 #人工智能 #生成对抗网络 +2
主题090_边缘计算中的辐射换热实时模拟

随着工业4.0和智能制造的快速发展，辐射换热仿真正从传统的离线计算模式向实时在线模式转变。边缘计算作为一种新兴的计算范式，将计算能力下沉到数据源头，为辐射换热的实时模拟提供了全新的技术路径。本主题系统介绍边缘计算在辐射换热实时模拟中的应用，包括边缘计算架构设计、轻量化模型开发、模型压缩与加速技术、实时数据流处理、以及典型工业场景的解决方案。通过本主题的学习，读者将掌握如何在资源受限的边缘设备上实现

 kkchenjj
2026-04-29 20:56:40

 83

#边缘计算 #人工智能 #生成对抗网络 +3
结构健康监测仿真-主题037-结构健康监测中的不确定性量化技术

结构健康监测（Structural Health Monitoring, SHM）系统的核心任务是通过传感器数据评估结构的安全状态。然而，在实际工程应用中，从数据采集到损伤评估的每个环节都充满了各种不确定性。这些不确定性如果不加以量化和处理，可能导致错误的诊断决策，甚至引发严重的安全事故。不确定性量化的重要性体现在：结构健康监测面临的不确定性挑战包括：（1）认知不确定性（Epistemic Unc

kkchenkx
2026-04-29 20:42:40

 272

 4

#生成对抗网络 #人工智能 #神经网络 +2