🏆 학습목표

• GAN의 대립적인 의미를 이해한다.
• DCGAN의 Latent 개념과 그 연산에 대해서 이해한다.
• CycleGAN의 개념을 이해한다.

---

1. 생성적 대립 신경망(GAN, Generative Adversarial Network)

• 생성자(generator)와 식별자(discriminator)가 서로 경쟁(Adversarial)하며 데이터를 생성(Generative)하는 모델(Network)
• 생성자는 점차 실제같은 이미지를 더 잘 생성하게 되고, 구분자는 점차 진짜와 가짜를 더 잘 구별(이진 분류)하게되면서 서로 대립하며(Adversarial:대립하는) 서로의 성능을 점차 개선해 나가는 쪽으로 학습이 진행된다. Descriminator가 가짜 이미지에서 진짜 이미지를 더이상 구별하지 못하게 될때, 평형상태에 도달한다.

1.1 구조와 원리

• autoencoder를 중심부터 바깥쪽으로 뒤집어 둔 구조
  
  
• Generator(생성자) : 생성된 z를 받아 실제 데이터와 비슷한 데이터를 만들어내도록 학습
• Discriminator(구분자) : 실제 데이터와 생성자가 생성한 가짜 데이터를 구별하도록 학습
  
  => Generator는 입력 데이터의 분포(distribution)를 알아내도록 학습한다. 이 분포를 재현하여 원 데이터의 분포와 차이가 없도록 하고 Discriminator는 실데이터인지 가짜 데이터인지 구별해서 각각에 대한 확률을 추정한다.=> Generator는 맨 위의 수식을 '최소화'시키는 방향으로, Discriminator는 '최대화'하는 방향으로 가게하는 minmax Problem

실제 데이터의 분포에 가까운 데이터를 생성하는 것이 GAN이 가진 궁극적인 목표이며, 생성자(Generator)는 구분자(Discriminator)가 거짓으로 판별하지 못하도록 가짜 데이터를 진짜 데이터와 가깝게 생성하도록 노력한다. 이 과정을 통해 생성자(Generator)와 구분자(Discriminator)의 성능이 점차 개선되고 궁극적으로는 구분자(Discriminator)가 실제 데이터와 가짜 데이터를 구분하지 못하게 만드는 것이 목표다.

---

CycleGAN (Cycle-Consistent Adversarial Networks)

• DC Gan과 달리 CycleGan은 짝(pair)을 이루는 입출력 데이터가 필요하지 않다.