ClassGAN: GAN의 학습 안정성 및 생성 이미지 다양성 증진을 위한 클래스 판별망 구조 (ClassGAN: Class Discrimination Network Structure for Enhancing Training Stability and Generated Image Diversity of GAN)

서지정보

· 발행기관 : 한국디지털콘텐츠학회
· 수록지 정보 : 디지털콘텐츠학회논문지 / 23권 / 2호 / 309 ~ 315페이지
· 저자명 : 김경준, 정성훈

초록

최근 생성 모델은 이미지 스타일 변환(Image style transfer), 스타일 합성, 배경 복원(Inpainting) 등 다양한 분야에서 응용되고 있다. 그러나 대표적인 생성모델인 GAN은 mode collapsing 등의 문제로 학습이 원활하지 못한 문제가 있다. 또한 생성모델을 효과적으로 응용하기 위해서는 학습한 이미지의 다양한 특성을 추출하여 이미지를 생성하는 것이 중요한데 GAN은 이를 제어하는 것이 불가능하다. 이런 문제를 완화하기 위해 본 논문에서는 GAN의 판별망의 타겟을 기존 참, 거짓에서 원-핫 클래스로 변경하였다. 이렇게 변경을 하면 GAN의 생성망을 학습할 때 판별망의 타겟에 따라서 어떤 클래스의 특성을 생성망으로 보내줄지 결정할 수 있다. 이런 특성은 학습 안정성을 높여주며 생성망이 보다 더 다양한 이미지를 생성할 수 있도록 할 수 있다. 본 논문에서는 MNIST, CIFAR-10 등의 데이터셋을 이용하여 다양한 방법을 실험하였다. 성능지표인 density와 coverage로 비교한 결과 DCGAN에 비하여 방법 1은 각각 약 160%, 50%의 성능 향상을, 방법 2는 유사한 성능을 보였다. 본 논문에서는 판별망의 타겟을 class별로 구분하도록 하였으나 특징 등 다른 기준으로 구분하는 방법으로 확장할 수 있다.

영어초록

Recently, Generative models such as style transfer, style synthesis, background inpainting are applied to a diversity of areas. But GAN of typical generative model can’t be trained well with some problems like mode collapsing. Although it is important that GAN generates images extracting various features of datasets to make the best use of it, it is impossible to control. To relieve this problem, we changed discriminator’s targets from binary to multiple one-hot class on this paper. By changing them, we can decide which features of the classes we will send to generator depending on discriminator’s targets. So, we can generate more varied images stably. On this paper, we experiment many kinds of methods with MNIST, CIFAR-10 datasets. Compared to DCGAN, method 1 increases about 160% of density and 50% of coverage and method 2 shows similar performances. We divide discriminator’s targets depending on the classes on this paper, but we can divide it with other criterion like feature to expand it.

참고자료

· 없음