[CV] GAN 과 cGAN

GAN(Generative Adversarial Network)

• 생성모델로 유명한 딥려닝 알고리즘
•  Generator 및 Discriminator라 불리는 두 신경망이 minimax game을 통해 서로 경쟁하며 발전
• Generator는 아래 식, 목적 함수를 최소화하는 방향으로, Discriminator는 목적 함수를 최대화하는 방향으로 학습함

 

 

GAN의 목적 함수

 

위 식의 z는 임의의 노이즈를, D,G는 각각 Discriminator, Generator를 의미한다

 

Discriminator

실제 이미지를 1, 가짜 이미지를 0으로 두었을 때, D는 위 식을 최대화해야하므로 각각의 항이 최대가 되도록 해야한다.따라서 두개의 log 항의 값이 1이 되도록 해야한다.즉 D(x)는 1, D(G(z))는 0이 되도록 해야 한다.

---

Generator

Generator는 D와 반대로 위의 식을 최소화 해야한다.따라서 1- D(G(z))를 최소화해야한다.따라서 D(G(z)) = 1이어야 한다.즉 z를 입력받아 생성한 G(z)를 D가 진짜 데이터라고 예측할 만큼 진짜같은 가짜데이터를 만들도록 학습해야한다.

 

---

GAN은 생성된 이미지가 항상 비슷한 형태로 제한되는 Mode collabse 문제, 모델 하이퍼파라미터 조정의 어려움 등의 한계점이 존재한다.

 

이러한 GAN의 문제점을 해결한 것이 cGAN이다.

---

 

Conditional Generative Adversarial Nets (cGAN) 

• 조건 있는 생성 모델
• 내가 원하는 종류의 이미지를 생성하고자 할 때 GAN이 가진 생성 과정의 불편함을 해소하여, 내가 원하는 종류의 이미지를 생성할 수 있도록 고안된 방법

cGAN의 목적 함수

GAN의 목적함수와 비교했을 때, D(x)와 G(z)가 각각 D(x∣y), G(z∣y)인 조건부 확률 형태로 바뀌었다.

cGAN의 목적 함수

y는 입력의 특정 조건을 나타내는 정보이다.

예를 들어 MNIST 데이터셋을 학습시킨다고 했을 때 y는 0~9까지의 라벨 정보이다.

이러한 특정 조건 y가 함께 입력되어 어떤 이미지를 생성할 것인지에 대한 방향성을 제어할 수 있다.