조건부 GAN을 위한 새로운 결합 방식: 정보 회수와 공간 이중 풀링
본 논문은 조건부 생성적 적대 신경망(GAN)의 성능을 향상시키기 위해 두 가지 새로운 조건 결합 방법을 제안한다. 첫 번째는 사전 학습된 ‘오라클’ 분류기를 이용해 생성된 이미지에서 조건 정보를 복원하도록 학습하는 정보 회수 모델(IRGAN)이며, 두 번째는 이미지 텐서와 조건 벡터 사이의 공간적 외적을 이용해 다차원 bilinear 특징을 생성하는 공간 이중 풀링 모델(SBP)이다. MNIST와 CIFAR‑10 데이터셋에서 기존의 단순 연결…
저자: Hanock Kwak, Byoung-Tak Zhang
본 논문은 조건부 생성적 적대 신경망(Conditional GAN, 이하 cGAN)의 조건 결합 방식을 재고하고, 두 가지 새로운 모델을 제안한다. 첫 번째 모델은 Information Retrieving GAN(IRGAN)이며, 이는 사전 학습된 분류기 Q(c|x)를 ‘오라클’로 활용한다. 기존 InfoGAN이 무작위 잠재 코드와 정보를 최대화하는 데 반해, IRGAN은 실제 데이터에서 추출한 라벨 c를 직접 잠재 코드에 삽입하고, 생성된 이미지 x̂=G(z,c) 에 대해 Q가 높은 조건 일치 확률을 부여하도록 손실에 추가적인 정규화 항 R(G)=−λ E_{c∼p(c),z∼p(z)}
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기