CPPN-WGAN

用CPPN+WGAN生成高质抽象艺术，探索AI创作边界

CPPN-WGAN 是一个将组合模式生成网络（CPPN）与 Wasserstein GAN（WGAN）结合的开源生成艺术实验项目。它利用 CPPN 的连续空间映射能力生成抽象图案，并通过 WGAN 的对抗训练提升生成图像的多样性和质量。项目主要解决传统 CPPN 生成图像缺乏真实感、模式单一的问题，同时探索生成对抗网络在艺术创作中的应用边界。核心能力包括：基于 TensorFlow 的模型实现、可调节的生成参数、训练与生成脚本，以及示例输出。作为早期实验项目，它提供了简洁的代码结构和清晰的文档，适合对生成艺术和 GAN 感兴趣的开发者学习与二次开发。

开源 free 设计创意

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 53

维护状态低维护

是否开源是

定价模式 free

项目数据

分类设计创意

开发团队kwj2104

所属国家

官网地址

GitHubhttps://github.com/kwj2104/CPPN-WGAN

定价模式free

价格说明开源项目，代码仓库公开，可自行部署使用，无付费版本。

访问状态

是否开源是

开源协议

主要语言Python

技术栈/模型deep-learning,generative,generative-adversarial-network,generative-art,machine-learning,neural-network

GitHub 星标★ 53

30天Star增速

HF 下载量

上线时间2018-07-19 00:00:00

最近更新2026-09-07 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数8

使用教程

核心亮点

结合CPPN的连续性与WGAN的稳定性，生成图像更具多样性和细节
代码结构清晰，基于TensorFlow实现，易于理解和扩展
提供训练和生成脚本，可快速上手实验

不足之处

文档较少，社区规模小，依赖项较旧
生成效果对参数敏感，调参成本较高

适用场景

生成抽象艺术图案用于视觉设计
研究CPPN与GAN结合的技术验证
教学演示生成对抗网络在创意领域的应用

替代项目

DeepDream、Neural Style Transfer、GAN-CNN

项目介绍

CPPN-WGAN 是图像领域的开源项目，由 kwj2104 开发，2018 年首次发布。

它收录于图像分类，该分类目前共有 839 个项目，GitHub 星标数为 53。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-07。代码仓库公开，可自行部署使用，无付费版本。

它主要面向的使用场景是：生成抽象艺术图案用于视觉设计。同类可对比的替代方案包括 DeepDream、Neural Style Transfer、GAN-CNN。

上一篇：Conditional-AnimeGAN

下一篇：differential-line