斯坦福大学CS236课程专注于深度生成模型的概率基础和学习算法，涵盖变分自编码器（VAE）、生成对抗网络（GAN）、自回归模型等多种前沿技术。课程结合理论与实践，探讨生成模型在计算机视觉、自然语言处理等领域的应用，并提供丰富的课程笔记和项目实践机会。学生需分组完成开放式项目，可选择应用模型到新任务、改进算法或进行理论分析。
腾讯ARC实验室的人像修复项目是一个基于深度学习的人脸修复工具，主要用于处理模糊或损坏的人脸照片。通过GAN（生成对抗网络）算法，该项目能够优化图像质量，使其更加清晰和生动。此外，该项目还支持增强非人脸区域，适用于处理完整图像。用户可以通过访问指定URL使用在线演示来修复人脸照片，但页面可能需要启用JavaScript才能正常工作。
gan-manifold-reg是一个结合生成对抗网络（GANs）和流形正则化（Manifold Regularization）技术的半监督学习项目。它旨在通过GANs生成额外的训练数据，并利用流形正则化技术提高模型在半监督学习任务中的性能。该项目基于PyTorch实现，支持自定义数据集和模型架构，适用于图像分类等半监督学习任务，尤其在医学图像分析等需要大量标注数据的领域中表现出色。
该项目提供了多种生成模型的PyTorch实现，包括VAE、BIRVAE、NSGAN、MMGAN、WGAN、WGANGP、LSGAN、DRAGAN、BEGAN、RaGAN、InfoGAN、fGAN和FisherGAN等。代码带有详细注释，易于理解，并包含交互式可视化工具，帮助用户更好地理解和解释不同生成模型的行为。
该项目为初学者提供了学习变分自编码器（VAE）、生成对抗网络（GAN）以及条件变分自编码器-生成对抗网络（CVAE-GAN）的最佳起点。项目包含自编码器（AE）、去噪自编码器（DAE）、变分自编码器（VAE）、生成对抗网络（GAN）、条件生成对抗网络（CGAN）、深度卷积生成对抗网络（DCGAN）、WGAN、WGAN-GP、VAE-GAN和CVAE-GAN，所有模型均基于PyTorch框架实现。
