[AI부트캠프]Generative Adversarial Networks, GAN

GAN Genrative Adversarial Networks

궁극적 목표: 세상에 있을 법한 이미지 만들기
Generative '생성적인, 생산하는'
Adversarial '적대적인' : 네트워크를 서로 대립시켜 서로 경쟁하면서 발전

DCGAN 구조

generator

생성자, 진짜 같은 가짜 이미지 만들기

discriminator

감별자, 이미지가 진짜인지 가짜인지 찾아내기
학습할 때만 사용하고 사용할 때는 사용 안 함.

감별자가 성능이 너무 좋아버리면 생성자가 힘들어져서 생성자가 학습을 하고 나중에 감별자를 넣는 방식도 있다.

CycleGAN

• 목적

  • 이미지변환
  • 페어가 없는 데이터를 사용할 수 있다.
  • 말 따로 얼룩말 따로 가져와도 사용할 수 있따,
  • 특성을 바꿔준다.

• 과정

  • 얼룩말 이미지 -> 말로 바꿔줌 -> 다시 얼룩말로 바꿔서 원본과 비교, 정말 특성만 바꿔줬는지 확인, 중간에 생성됐던 말의 이미지는 디스크리미네이터를 써서 진짜 말인지 가짜말인지 확인. 학습이 순환해서 이뤄지는 거라 싸이클겐이라고 불러줌

• 서로 경쟁 > 동시에 성장 가능

Cyclegan

• 목적
  • 특성변환
  • 얼룩말 -> 말로 바꾼 이미지 생성
  • 감별자: 진짜인지 아닌지 판별
  • 생성자: 다시 얼룩말로 바꿈 -> 원본과 비교

---

QnA

1. 이미지 정규화를 0~1로 하는 것과 -1~1는 무슨 차이가 있나요?

• 데이터 전처리와 관련된 것, 스케일러! 검색해보셈

2. 제너레이터에서 만든 가짜 이미지를 분류하느데 제너레이터에서는 이 가짜 이미지를 어떻게 만들어내나요?

• dcgen기준으로 랜덤하게 노이즈를 만들어서 부여
• latent vector -> 랜덤한 노이즈