Startseite Projekte context-encoder
context-encoder
Lua

context-encoder

[CVPR 2016] Unsupervised Feature Learning durch Bildinpainting mit GANs

von pathak22 · GitHub
Sterne
Forks
Erstellt
Letzter Commit
Sprache
computer-graphicscomputer-visioncontext-encodersLua
Auf GitHub ansehen
In einfachen Worten

Trainiere Modelle, um fehlende Teile von Bildern mit fortschrittlichen Techniken des unüberwachten Lernens zu ergänzen.

Betreuen Sie dieses Projekt?

Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.

Diese Seite beanspruchen →
context-encoder — GitHub preview card
📈 Sternhistorie
908907
2026-07-202026-08-31
📈 context-encoder verfolgen

Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.

Kostenlos · ohne Karte · jederzeit abbestellbar
E-Mail-Alerts erhalten →
📄 Über

[CVPR 2016] Unsupervised Feature Learning durch Bildinpainting mit GANs

context-encoder hat 907 Sterne auf GitHub. Es wurde 201-mal geforkt. context-encoder ist hauptsächlich in Lua geschrieben. Es wird seit 2016 aktiv entwickelt. Die Hauptthemen sind: computer-graphics, computer-vision, context-encoders, dcgan.

Frequently asked questions

Was ist context-encoder?

[CVPR 2016] Unsupervised Feature Learning durch Bildinpainting mit GANs

Ist context-encoder Open Source?

context-encoder ist ein Open-Source-Projekt.

Ist context-encoder kostenlos?

Ja. context-encoder ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.

In welcher Sprache ist context-encoder geschrieben?

context-encoder ist hauptsächlich in Lua geschrieben.

🏅 Wartender dieses Projekts?
olud.ai badge — context-encoder

Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.

[![olud.ai](https://olud.ai/badge.php?tool=pathak22-context-encoder)](https://olud.ai/project/pathak22-context-encoder.html)
Weitere Abzeichenoptionen →
🧬 Teilt DNA mit🧬 DNA-Karte ansehen →

Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.