기존 GAN의 문제점
입력되는 랜덤값이 출력값에 어떻게 영향을 주는지 모르기 때문에,
생성되는 출력 이미지를 통제할 수 없다.
이 문제를 해결하기 위해 등장한 cGAN.
G와 D에 특정 클래스 이미지 생성을 위한 추가 정보를 줌.
cGAN의 장점
특정 정보를 제공해서 출력값 제어가 가능하고, 보다 빠르게 수렴함 (특정 패턴을 따라서 만들어지니까 랜덤값이어도 이것저것 만드는 것보다 빠르게 원하는 이미지가 나온다는 소리 같음)
cGAN 응용한 모델들
- Pix2Pix
paired data
- CycleGAN
unpaired data
