[ 논문 리뷰 ] Conditional Generative Adversarial Nets

GitHub를 참고하시면, CODE 및 다양한 논문 리뷰가 있습니다! 하단 링크를 참고하시기 바랍니다.
(+ Star 및 Follow는 사랑입니다..!)

https://github.com/kalelpark/Awesome-ComputerVision

GitHub - kalelpark/Awesome-ComputerVision: Awesome-ComputerVision

Abstract

최근에 GAN과 관련하여, 생성모델을 훈련하기 위한 새로운 방식을 소개합니다. 본 논문에서는 약간의 데이터를 추가적으로 활용하는 Conditional Gerative adversarial Nets를 설명합니다. 본 논문에서는 class label을 추가적으로 활용하여, MNIST를 생성하는 방법을 소개합니다. 우리는 어떻게 모델이 multi-model learn이 가능한지 설명하고, 레이블이 설명 태그를 활용하여 이미지를 생성할 수 있는 방법을 소개합니다.

Introduction

다루기 어려운 확률 계산을 근사화하는 것의 어려움으로 인하여 generative model를 훈련하는 것에 대한 대안적인 framework인 Generative adversarial Net을 소개합니다. Adversarial Net은 Markov chain 방법이 필요하지 않으며, 단순 gradient를 활용하여 backpropagation을 진행하고, 학습하는 동안 추론과정이 필요하지 않습니다.

 

uncoditional generative model의 경우, data를 생성하는 방식을 통제하는 것이 불가능하다. 하지만, conditioning model은 데이터를 임의의 환경을 설정하여, 생성하는 것이 가능합니다.  

Conditional Adversarial Nets

Generative Adversarial Nets

generative model을 학습하기 위한 새로운 방식으로 Generative adversarial net이 도입되었다. 

GAN의 특징에 대해서 설명하는데, GAN논문을 읽어보는 것을 추천한다.

Conditional Adversarial Nets

만약 추가적인 정보 y가 generative와 discriminative에 활용된다면, Generatie adversarial Net이 Conditional Model로 확장될 수 있다. 수식을 보면, 이전의 unconditional GAN에서 y라는 정보가 추가적으로 input으로 활용된다는 점을 제외하고는, 별 다른 내용이 없다.

Experimental Results

Future Work

본 논문의 결과는 아직 초기 단계이지만, Conditional adversarial Net의 잠재력을 증명하였으며, 흥미롭고, 유용한 응용에 대한 전망을 보여줍니다.

 

참고

https://arxiv.org/abs/1411.1784

Conditional Generative Adversarial Nets