值不值得学：先看清它解决什么问题
这套资料聚焦于生成对抗网络（GAN）在图像与视频生成方向的底层理论与实践。如果你正从事计算机视觉相关工作，或者试图转行做算法，经常会遇到一个痛点：调通了基础的分类或检测模型，但面对图像降噪、色调映射、画质增强这类生成任务时，却不知道如何从零搭建并训练一个有效的网络。这门课解决的就是这个场景。它没有停留在泛泛的架构理论介绍，而是直接切入图像增强任务，带你用 GAN 去解决实际画质提升的问题。对于想脱离套壳 API、真正掌握底层模型训练逻辑的上班族和转行者来说，这种基于具体任务的切入点非常务实。
适合什么基础与学完能做什么
在基础要求上，它不适合完全零编程经验的门外汉。你需要具备基本的 Python 语法能力，了解过基础的深度学习概念，最好写过简单的卷积神经网络。资料里的项目代码是基于真实的框架运行的，如果连张量维度和损失函数的概念都十分陌生，前期跟练会比较吃力。但如果你有上述基础，跟下来是完全可行的。学完后，你不只是会跑一个现成的脚本，而是能独立完成一整套生成模型的研发流程：从业务场景的数据读取、生成器与判别器的模型搭建，到自定义损失函数的模型训练，再到最后的模型测试与效果评估。这意味着以后工作中遇到老旧视频修复、低照度图像增强等需求，你能独立拿出一套基于 GAN 的技术方案，而不是四处找开源代码拼凑。
资料怎么用：建议的阅读与练习顺序
拿到资料后，建议不要一上来就盲目按顺序看。第一部分关于图像降噪的基础与进阶理论，是理解 GAN 在增强任务中表现的基石，必须先看透。随后直接进入 DANet 图像降噪实战环节，这是整套资料的核心价值所在。在跟练这部分时，不要只用眼睛看视频，务必把资料包里的配套代码拉到本地跑通。建议的练习节奏是：先跟着视频完成数据读取模块，理解输入输出的数据格式；然后自己尝试搭建模型，卡壳了再对照视频里的结构；最后在训练环节，重点观察损失值的变化曲线，尝试调整学习率看效果差异。第二部分关于色调映射的内容，建议在彻底跑通第一个降噪项目后再看，并尝试将降噪项目里的训练逻辑迁移过去，这样才算真正把知识内化成自己的工程能力。
阐述图像增强在各领域的重要性，介绍传统方法的局限，引出GAN在图像增强中的应用。介绍GAN诞生背景，梳理发展历程，说明它如何在图像增强领域崭露头角。
课程目录
* 1_课程介绍.mp4 (2.98 MB)
* 2_第1.1节-图像降噪（基础篇）.mp4 (15.29 MB)
* 3_第1.2节-图像降噪（进阶篇）.mp4 (57.19 MB)
* 4_第1.3节-DANet图像降噪实战（项目介绍）.mp4 (6.22 MB)
* 5_第1.4节-DANet图像降噪实战（数据读取）.mp4 (36.67 MB)
* 6_第1.5节-DANet图像降噪实战（模型搭建）.mp4 (18.49 MB)
* 7_第1.6节-DANet图像降噪实战（模型训练）.mp4 (39.98 MB)
* 8_第1.7节-DANet图像降噪实战（模型测试）.mp4 (18.25 MB)
* 9_第2.1节-色调映射（基础篇）.mp4 (21.41 MB)
* 10_第2.2节-色调映射（进阶篇）.mp4 (37.48 MB)
* 11_第2.3节-EnlightenGAN图像增强实战（项目介绍）.mp4 (7.65 MB)
* 12_第2.4节-EnlightenGAN图像增强实战（数据读取）.mp4 (23.30 MB)
* 13_第2.5节-EnlightenGAN图像增强实战（模型搭建）.mp4 (77.32 MB)
* 14_第2.6节-EnlightenGAN图像增强实战（模型训练）.mp4 (45.90 MB)
* 15_第2.7节-EnlightenGAN图像增强实战（模型测试）.mp4 (33.79 MB)
* 16_第3.1节-图像超分辨（基础篇）.mp4 (35.37 MB)
* 17_第3.2节-图像超分辨（进阶篇）.mp4 (50.78 MB)
* 18_第3.3节-SRGAN超分辨实战（项目简介）.mp4 (11.98 MB)
* 19_第3.4节-SRGAN超分辨实战（数据处理）.mp4 (24.04 MB)
* 20_第3.5节-SRGAN超分辨实战（模型搭建与训练）.mp4 (45.87 MB)
* 21_第3.6节-SRGAN超分辨实战（模型测试）.mp4 (17.35 MB)
* 22_第4.1节-图像去模糊（基础篇）.mp4 (22.92 MB)
* 23_第4.2节-图像去模糊（进阶篇）.mp4 (23.13 MB)
* 24_第5.1节-图像修复（基础篇）.mp4 (16.47 MB)
* 25_第5.2节-图像修复（进阶篇）.mp4 (45.48 MB)
