1. GAN ์†Œ๊ฐœยถ

Open In Colab

๊ฐœ์š” (Overview)ยถ

GAN์€ Generative Adversarial Networks์˜ ์•ฝ์ž๋กœ ์šฐ๋ฆฌ๋ง๋กœ๋Š” โ€œ์ ๋Œ€์  ์ƒ์„ฑ ์‹ ๊ฒฝ๋งโ€์ด๋ผ๊ณ  ๋ฒˆ์—ญ๋˜๋Š” AI๊ธฐ์ˆ  ์ค‘ ํ•˜๋‚˜์ž…๋‹ˆ๋‹ค. GAN์€ ์‹ค์ œ์— ๊ฐ€๊นŒ์šด ์ด๋ฏธ์ง€๋‚˜ ์‚ฌ๋žŒ์ด ์“ด ๊ฒƒ๊ณผ ๊ฐ™์€ ๊ธ€ ๋“ฑ ์—ฌ๋Ÿฌ ๊ฐ€์งœ ๋ฐ์ดํ„ฐ๋“ค์„ ์ƒ์„ฑํ•˜๋Š” ๋ชจ๋ธ์ž…๋‹ˆ๋‹ค. โ€œ์ ๋Œ€์  ์ƒ์„ฑ ์‹ ๊ฒฝ๋งโ€์ด๋ผ๋Š” ์ด๋ฆ„์—์„œ ์•Œ ์ˆ˜ ์žˆ๋“ฏ GAN์€ ์„œ๋กœ ๋‹ค๋ฅธ ๋‘ ๊ฐœ์˜ ๋„คํŠธ์›Œํฌ๋ฅผ ์ ๋Œ€์ ์œผ๋กœ(adversarial) ํ•™์Šต์‹œํ‚ค๋ฉฐ ์‹ค์ œ ๋ฐ์ดํ„ฐ์™€ ๋น„์Šทํ•œ ๋ฐ์ดํ„ฐ๋ฅผ ์ƒ์„ฑ(generative)ํ•ด๋‚ด๋Š” ๋ชจ๋ธ์ด๋ฉฐ ์ด๋ ‡๊ฒŒ ์ƒ์„ฑ๋œ ๋ฐ์ดํ„ฐ์— ์ •ํ•ด์ง„ label๊ฐ’์ด ์—†๊ธฐ ๋•Œ๋ฌธ์— ๋น„์ง€๋„ ํ•™์Šต ๊ธฐ๋ฐ˜ ์ƒ์„ฑ๋ชจ๋ธ๋กœ ๋ถ„๋ฅ˜๋ฉ๋‹ˆ๋‹ค.

GAN์€ ๊ตฌ๊ธ€ ๋ธŒ๋ ˆ์ธ์—์„œ ๋จธ์‹ ๋Ÿฌ๋‹์„ ์—ฐ๊ตฌํ–ˆ๋˜ Ian Goodfellow์— ์˜ํ•ด 2014๋…„ ์ฒ˜์Œ์œผ๋กœ ์‹ ๊ฒฝ์ •๋ณด์ฒ˜๋ฆฌ์‹œ์Šคํ…œํ•™ํšŒ(NIPS)์—์„œ ์ œ์•ˆ๋˜์—ˆ๊ณ  ์ดํ›„ ์ด๋ฏธ์ง€ ์ƒ์„ฑ, ์˜์ƒ ์ƒ์„ฑ, ํ…์ŠคํŠธ ์ƒ์„ฑ ๋“ฑ์— ๋‹ค์–‘ํ•˜๊ฒŒ ์‘์šฉ๋˜๊ณ  ์žˆ์Šต๋‹ˆ๋‹ค.

์ด๋ฒˆ 1์žฅ์—์„œ๋Š” GAN์˜ ๊ฐœ๋…์„ ๋น„๋กฏํ•˜์—ฌ GAN ๋ชจ๋ธ์˜ ๊ตฌ์กฐ์™€ ํ‰๊ฐ€์ง€ํ‘œ, ์ ์šฉ ์‚ฌ๋ก€ ๋“ฑ์— ๋Œ€ํ•ด ์•Œ์•„๋ด…๋‹ˆ๋‹ค. 1.1์ ˆ์—์„œ๋Š” GAN์˜ ๋“ฑ์žฅ๊ณผ ๊ฐœ๋…์— ๋Œ€ํ•ด์„œ ์„ค๋ช…ํ•˜๊ณ  1.2์ ˆ์—์„œ๋Š” GAN ๋ชจ๋ธ์„ ๊ตฌ์กฐ์™€ GAN์˜ ํ•œ ์ข…๋ฅ˜์ธ Conditional GAN (cGAN) ๋ชจ๋ธ, ๊ทธ๋ฆฌ๊ณ  GAN ๋ชจ๋ธ์˜ ํ‰๊ฐ€์ง€ํ‘œ์— ๋Œ€ํ•ด์„œ ์„ค๋ช…ํ•ฉ๋‹ˆ๋‹ค. ์ด์–ด 1.3์ ˆ์—์„œ๋Š” GAN์„ ์ ์šฉํ•œ ์‚ฌ๋ก€๋“ค์„ ์‚ดํŽด๋ณด๋ฉฐ 1.4์ ˆ์—์„œ๋Š” GAN์ด ๊ฐ€์ง„ ํ•œ๊ณ„์ ์„ ์•Œ์•„ ๋ด…๋‹ˆ๋‹ค.

1.1. ๊ฐœ๋… (Concept)ยถ

GAN์€ Generator(G,์ƒ์„ฑ๋ชจ๋ธ/์ƒ์„ฑ๊ธฐ)์™€ Discriminator(D,ํŒ๋ณ„๋ชจ๋ธ/ํŒ๋ณ„๊ธฐ)๋ผ๋Š” ์„œ๋กœ ๋‹ค๋ฅธ 2๊ฐœ์˜ ๋„คํŠธ์›Œํฌ๋กœ ์ด๋ฃจ์–ด์ ธ ์žˆ์œผ๋ฉฐ ์ด ๋‘ ๋„คํŠธ์›Œํฌ๋ฅผ ์ ๋Œ€์ ์œผ๋กœ ํ•™์Šต์‹œํ‚ค๋ฉฐ ๋ชฉ์ ์„ ๋‹ฌ์„ฑํ•ฉ๋‹ˆ๋‹ค. ์ƒ์„ฑ๋ชจ๋ธ(G)์˜ ๋ชฉ์ ์€ ์ง„์งœ ๋ถ„ํฌ์— ๊ฐ€๊นŒ์šด ๊ฐ€์งœ๋ถ„ํฌ๋ฅผ ์ƒ์„ฑํ•˜๋Š” ๊ฒƒ์ด๊ณ  ํŒ๋ณ„๋ชจ๋ธ(D)์˜ ๋ชฉ์ ์€ ํ‘œ๋ณธ์ด ๊ฐ€์งœ๋ถ„ํฌ์— ์†ํ•˜๋Š”์ง€ ์ง„์งœ๋ถ„ํฌ์— ์†ํ•˜๋Š”์ง€๋ฅผ ๊ฒฐ์ •ํ•˜๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค. ์ด 2๊ฐ€์ง€ ๋ชจ๋ธ์„ ํฌํ•จํ•œ GAN์˜ ๊ถ๊ทน์ ์ธ ๋ชฉ์ ์€ โ€œ์‹ค์ œ ๋ฐ์ดํ„ฐ์˜ ๋ถ„ํฌโ€์— ๊ฐ€๊นŒ์šด ๋ฐ์ดํ„ฐ๋ฅผ ์ƒ์„ฑํ•˜๋Š” ๊ฒƒ์ด๋ฉฐ, ๋”ฐ๋ผ์„œ ํŒ๋ณ„๊ธฐ๊ฐ€ ์ง„์งœ์ธ์ง€ ๊ฐ€์งœ์ธ์ง€๋ฅผ ํ•œ ์ชฝ์œผ๋กœ ํŒ๋‹จํ•˜์ง€ ๋ชปํ•˜๋Š” ๊ฒฝ๊ณ„(๊ฐ€์งœ์™€ ์ง„์งœ๋ฅผ 0๊ณผ 1๋กœ ๋ณด์•˜์„ ๋•Œ 0.5์˜ ๊ฐ’)์—์„œ ๊ฐ€์งœ ์ƒ˜ํ”Œ๊ณผ ์‹ค์ œ ์ƒ˜ํ”Œ์„ ๊ตฌ๋ณ„ํ•  ์ˆ˜ ์—†๋Š” ์ตœ์  ์†”๋ฃจ์…˜์œผ๋กœ ๊ฐ„์ฃผํ•˜๊ฒŒ ๋ฉ๋‹ˆ๋‹ค. ์ œ์•ˆ์ž Ian Goodfellow์€ ๋…ผ๋ฌธ์—์„œ ๋‹ค์Œ๊ณผ ๊ฐ™์ด โ€˜๊ฒฝ์ฐฐ๊ณผ ์œ„์กฐ์ง€ํ๋ฒ”โ€™์„ ์˜ˆ์‹œ๋กœ ๋“ค์–ด GAN ๋ชจ๋ธ์˜ ๊ฐœ๋…์„ ์„ค๋ช…ํ•˜๊ณ  ์žˆ์Šต๋‹ˆ๋‹ค.

  • ๊ทธ๋ฆผ 1-1 ๊ฒฝ์ฐฐ(์™ผ์ชฝ)๊ณผ ๋„๋‘‘(์˜ค๋ฅธ์ชฝ) ์ด๋ฏธ์ง€

์ƒ์„ฑ ๋ชจ๋ธ์€ ์ง„์งœ ์ง€ํ์™€ ๋น„์Šทํ•œ ๊ฐ€์งœ ์ง€ํ๋ฅผ ๋งŒ๋“ค์–ด ๊ฒฝ์ฐฐ์„ ์†์ด๋ ค ํ•˜๋Š” ์œ„์กฐ์ง€ํ๋ฒ”๊ณผ ๊ฐ™๊ณ , ๋ฐ˜๋Œ€๋กœ ํŒ๋ณ„๋ชจ๋ธ์€ ์œ„์กฐ์ง€ํ๋ฒ”์ด ๋งŒ๋“ค์–ด๋‚ธ ๊ฐ€์งœ ์ง€ํ๋ฅผ ํƒ์ง€ํ•˜๋ ค๋Š” ๊ฒฝ์ฐฐ๊ณผ ์œ ์‚ฌํ•ฉ๋‹ˆ๋‹ค. ์ด๋Ÿฌํ•œ ๊ฒฝ์Ÿ์ด ๊ณ„์†๋จ์— ๋”ฐ๋ผ ์œ„์กฐ์ง€ํ๋ฒ”์€ ๊ฒฝ์ฐฐ์„ ์†์ด์ง€ ๋ชปํ•œ ๋ฐ์ดํ„ฐ๋ฅผ, ๊ฒฝ์ฐฐ์€ ์œ„์กฐ์ง€ํ๋ฒ”์—๊ฒŒ ์†์€ ๋ฐ์ดํ„ฐ๋ฅผ ๊ฐ๊ฐ ์ž…๋ ฅ๋ฐ›์•„ ์ ๋Œ€์ ์œผ๋กœ ํ•™์Šตํ•˜๊ฒŒ ๋˜๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค. ์ด ๊ฒŒ์ž„์—์„œ์˜ ๊ฒฝ์Ÿ์€ ์œ„์กฐ์ง€ํ๊ฐ€ ์ง„์งœ ์ง€ํ์™€ ๊ตฌ๋ณ„๋˜์ง€ ์•Š์„ ๋•Œ๊นŒ์ง€ ์ฆ‰, ์ฃผ์–ด์ง„ ํ‘œ๋ณธ์ด ์‹ค์ œ ํ‘œ๋ณธ์ด ๋  ํ™•๋ฅ ์ด 0.5์— ๊ฐ€๊นŒ์šด ๊ฐ’์„ ๊ฐ€์งˆ ๋•Œ๊นŒ์ง€ ๊ณ„์†๋ฉ๋‹ˆ๋‹ค. ๊ฐ€์งœ๋กœ ํ™•์‹ ํ•˜๋Š” ๊ฒฝ์šฐ ํŒ๋ณ„๊ธฐ์˜ ํ™•๋ฅ ๊ฐ’์ด 0, ์‹ค์ œ๋กœ ํ™•์‹ ํ•˜๋Š” ๊ฒฝ์šฐ ํŒ๋ณ„๊ธฐ์˜ ํ™•๋ฅ ๊ฐ’์ด 1์„ ๋‚˜ํƒ€๋‚ด๊ฒŒ ๋˜๋ฉฐ, ํŒ๋ณ„๊ธฐ์˜ ํ™•๋ฅ ๊ฐ’์ด 0.5๋ผ๋Š” ๊ฒƒ์€ ๊ฐ€์งœ์ธ์ง€ ์ง„์งœ์ธ์ง€ ํŒ๋‹จํ•˜๊ธฐ ์–ด๋ ค์šด ๊ฒƒ์„ ์˜๋ฏธํ•˜๊ฒŒ ๋˜๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค.

๋‹ค์Œ ์ ˆ์—์„œ๋Š” GAN ๋ชจ๋ธ์˜ ๊ตฌ์กฐ์™€ ๊ทธ ํ•œ ๊ฐˆ๋ž˜์ธ cGAN ๋ชจ๋ธ, ๊ทธ๋ฆฌ๊ณ  GAN ๋ชจ๋ธ์˜ ํ‰๊ฐ€์ง€ํ‘œ์— ๋Œ€ํ•ด์„œ ์‚ดํŽด๋ด…๋‹ˆ๋‹ค.

1.2. GAN ๋ชจ๋ธยถ

1.2.1. ๋ชจ๋ธ ๊ตฌ์กฐยถ

GAN์˜ ์•„ํ‚คํ…์ฒ˜๋ฅผ ๋„์‹ํ™”ํ•˜๋ฉด ๋‹ค์Œ๊ณผ ๊ฐ™์Šต๋‹ˆ๋‹ค.

  • ๊ทธ๋ฆผ 1-2 GAN์˜ ์•„ํ‚คํ…์ฒ˜ (์ถœ์ฒ˜: Hamed Alqahtani. 2019. An Analysis Of Evaluation Metric Of GANs)

์ƒ์„ฑ๊ธฐ(G)๋Š” ์‹ค์ œ ๋ฐ์ดํ„ฐ์™€ ๋น„์Šทํ•œ ๋ฐ์ดํ„ฐ๋ฅผ ๋งŒ๋“ค์–ด๋‚ด๋„๋ก ํ•™์Šต๋˜๋ฉฐ, ํŒ๋ณ„๊ธฐ(D)๋Š” ์‹ค์ œ ๋ฐ์ดํ„ฐ์™€ G๊ฐ€ ์ƒ์„ฑํ•œ ๊ฐ€์งœ ๋ฐ์ดํ„ฐ๋ฅผ ๊ตฌ๋ณ„ํ•˜๋„๋ก ํ•™์Šต๋ฉ๋‹ˆ๋‹ค. GAN์˜ ๋ชฉ์ ํ•จ์ˆ˜๋Š” ๋‹ค์Œ๊ณผ ๊ฐ™์€๋ฐ, ์ด๋Š” ๊ฒŒ์ž„์ด๋ก  ํƒ€์ž…์˜ ๋ชฉ์ ํ•จ์ˆ˜๋กœ G์™€ D 2๋ช…์˜ ํ”Œ๋ ˆ์ด์–ด๊ฐ€ ์‹ธ์šฐ๋ฉด์„œ ์„œ๋กœ ๊ท ํ˜•์ (nash equilibrium)์„ ์ฐพ์•„๊ฐ€๋„๋ก ํ•˜๋Š” ๋ฐฉ์‹์ž…๋‹ˆ๋‹ค.

  • ๊ทธ๋ฆผ 1-3 GAN Value Function (์ถœ์ฒ˜: Ian J.Goodfellow. 2014. Generative Adversarial Nets)

์—ฌ๊ธฐ์„œ V(D,G)์˜ ๊ฐ’์€ ํ™•๋ฅ ๊ฐ’์œผ๋กœ ๋„์ถœ๋˜๋Š”๋ฐ, ์ด ์ˆ˜์‹์„ ๊ฐ๊ฐ D์™€ G์˜ ๊ด€์ ์—์„œ ์‚ดํŽด๋ณด๋ฉด ๋‹ค์Œ๊ณผ ๊ฐ™์Šต๋‹ˆ๋‹ค.

๋จผ์ € D์˜ ๊ด€์ ์—์„œ ์‹ค์ œ ๋ฐ์ดํ„ฐ(x)๋ฅผ ์ž…๋ ฅํ•˜๋ฉด D(x)๊ฐ€ ์ปค์ง€๋ฉด์„œ log๊ฐ’์ด ์ปค์ง€๋ฉด์„œ ๋†’์€ ํ™•๋ฅ ๊ฐ’์ด ๋‚˜์˜ค๋„๋ก ํ•˜๊ณ , ๊ฐ€์งœ ๋ฐ์ดํ„ฐ(G(z))๋ฅผ ์ž…๋ ฅํ•˜๋ฉด log๊ฐ’์ด ์ž‘์•„์ง์— ๋”ฐ๋ผ ๋‚ฎ์€ ํ™•๋ฅ ๊ฐ’์ด ๋‚˜์˜ค๋„๋ก ํ•™์Šต๋ฉ๋‹ˆ๋‹ค. ๋‹ค์‹œ ๋งํ•ด D๋Š” ์‹ค์ œ ๋ฐ์ดํ„ฐ์™€ G๊ฐ€ ๋งŒ๋“  ๊ฐ€์งœ ๋ฐ์ดํ„ฐ๋ฅผ ์ž˜ ๊ตฌ๋ถ„ํ•˜๋„๋ก ์กฐ๊ธˆ์”ฉ ์—…๋ฐ์ดํŠธ๋˜๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค.

G์—์„œ๋Š” Zero-Mean Gaussian ๋ถ„ํฌ์—์„œ ๋…ธ์ด์ฆˆ z๋ฅผ ๋ฉ€ํ‹ฐ๋ ˆ์ด์–ด ํผ์…‰ํŠธ๋ก ์— ํ†ต๊ณผ์‹œ์ผœ ์ƒ˜ํ”Œ๋“ค์„ ์ƒ์„ฑํ•˜๋ฉฐ ์ด ์ƒ์„ฑ๋œ ๊ฐ€์งœ ๋ฐ์ดํ„ฐ G(z)๋ฅผ D์— input์œผ๋กœ ๋„ฃ์—ˆ์„ ๋•Œ ์‹ค์ œ ๋ฐ์ดํ„ฐ์ฒ˜๋Ÿผ ํ™•๋ฅ ์ด ๋†’๊ฒŒ ๋‚˜์˜ค๋„๋ก ํ•™์Šต๋ฉ๋‹ˆ๋‹ค. ์ฆ‰ D(G(z))๊ฐ’์„ ๋†’๋„๋ก, ๊ทธ๋ฆฌ๊ณ  ์ „์ฒด ํ™•๋ฅ  ๊ฐ’์ด ๋‚ฎ์•„์ง€๋„๋ก ํ•˜๋Š” ๊ฒƒ์ด๋ฉฐ ์ด๋Š” ๋‹ค์‹œ ๋งํ•ด G๊ฐ€ โ€˜D๊ฐ€ ์ž˜ ๊ตฌ๋ถ„ํ•˜์ง€ ๋ชปํ•˜๋Š”โ€™ ๋ฐ์ดํ„ฐ๋ฅผ ์ƒ์„ฑํ•˜๋„๋ก ์กฐ๊ธˆ์”ฉ ์—…๋ฐ์ดํŠธ๋˜๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค.

์‹ค์ œ ํ•™์Šต์„ ์ง„ํ–‰ํ•  ๋•Œ๋Š” G์™€ D ๋‘ ๋„คํŠธ์›Œํฌ๋ฅผ ๋™์‹œ์— ํ•™์Šต์‹œํ‚ค์ง€ ์•Š๊ณ  ํ•˜๋‚˜์˜ ๋„คํŠธ์›Œํฌ๋ฅผ ๊ณ ์ •ํ•œ ์ƒํƒœ์—์„œ ๋‹ค๋ฅธ ํ•œ ๋„คํŠธ์›Œํฌ๋ฅผ ์—…๋ฐ์ดํŠธํ•˜๋Š” ๋ฐฉ์‹์œผ๋กœ ๋”ฐ๋กœ๋”ฐ๋กœ ์—…๋ฐ์ดํŠธํ•ฉ๋‹ˆ๋‹ค.

1.2.2. cGANยถ

cGAN์€ Conditional Generative Adversarial Networks์˜ ์•ฝ์ž๋กœ ์ƒ์„ฑ๊ธฐ์™€ ํŒ๋ณ„๊ธฐ๊ฐ€ ํ›ˆ๋ จํ•˜๋Š” ๋™์•ˆ ์ถ”๊ฐ€ ์ •๋ณด๋ฅผ ์‚ฌ์šฉํ•ด ์กฐ๊ฑด์ด ๋ถ™๋Š” ์ƒ์„ฑ์  ์ ๋Œ€ ์‹ ๊ฒฝ๋ง์ž…๋‹ˆ๋‹ค. GAN๊ณผ๋Š” โ€˜์ƒ˜ํ”Œ๋ง์„ ์–ด๋””์„œ ํ•ด์˜ค๋Š”์ง€โ€™์™€ โ€˜๋ฐ์ดํ„ฐ์…‹์— ๋ผ๋ฒจ์ด ์žˆ์–ด์•ผ ํ•˜๋Š”์ง€โ€™, 2๊ฐ€์ง€ ์ธก๋ฉด์—์„œ ์ฐจ์ด๊ฐ€ ์žˆ์Šต๋‹ˆ๋‹ค. cGAN์„ ์ด์šฉํ•˜๋ฉด ์ธ์œ„์ ์œผ๋กœ ์›ํ•˜๋Š” ํด๋ž˜์Šค์˜ ๋ฐ์ดํ„ฐ๋ฅผ ์ƒ์„ฑํ•  ์ˆ˜ ์žˆ์œผ๋ฉฐ ์ƒ์„ฑ๊ธฐ์™€ ํŒ๋ณ„๊ธฐ๋ฅผ ํ›ˆ๋ จํ•˜๋Š” ๋ฐ์— label์„ ์‚ฌ์šฉํ•ฉ๋‹ˆ๋‹ค.

  • ๊ทธ๋ฆผ 1-4 GAN๊ณผ cGAN ์ฐจ์ด์ 

์‰ฝ๊ฒŒ ๋งํ•˜๋ฉด Generator์™€ Discriminator์— ํŠน์ • condition์„ ๋‚˜ํƒ€๋‚ด๋Š” ์ •๋ณด y๋ฅผ ์ถ”๊ฐ€ํ•ด์ฃผ๋Š” ๊ฒƒ์ธ๋ฐ, ์ด ๋•Œ y๋Š” ํ˜•ํƒœ๊ฐ€ ์ •ํ•ด์ง„ ๊ฒƒ์€ ์•„๋‹ˆ๊ธฐ ๋•Œ๋ฌธ์— ๋‹ค์–‘ํ•œ ํ˜•ํƒœ๋ฅผ ๊ฐ€์งˆ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค. ์˜ˆ๋ฅผ ๋“ค์–ด, ํ•„๊ธฐ๋œ ์ˆซ์ž๋ฅผ ์ธ์‹ํ•˜๋Š” MNIST ๋ฐ์ดํ„ฐ์—์„œ ์›ํ•˜๋Š” ์ˆซ์ž๋ฅผ ์ƒ์„ฑํ•˜๊ณ  ์‹ถ๋‹ค๋ฉด ์ˆซ์ž์˜ class์— ํ•ด๋‹นํ•˜๋Š” label์„ ์ถ”๊ฐ€ ์ •๋ณด y๋กœ ์ž…๋ ฅํ•ด์ฃผ๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค. ๋…ผ๋ฌธ์—์„œ๋Š” ์ƒ์„ฑํ•˜๊ณ  ์‹ถ์€ ์ˆซ์ž class๋ฅผ one-hot encoding ํ•˜์˜€๋Š”๋ฐ, MNIST ๋ฐ์ดํ„ฐ์…‹์—์„œ๋Š” ์ด class๋ฅผ one-hot encodingํ•˜๊ฒŒ ๋˜๋ฉด 10bit๊ฐ€ ํ•„์š”ํ•˜๊ธฐ ๋•Œ๋ฌธ์— ์ •๋ณด y๋Š” 10bit ํฌ๊ธฐ๋ฅผ ๊ฐ€์ง€๊ฒŒ ๋ฉ๋‹ˆ๋‹ค.

  • ๊ทธ๋ฆผ 1-5 cGAN Value Function (์ถœ์ฒ˜: Mehdi Mirza. 2014. Conditional Generative Adversarial Nets)

cGAN์˜ value ํ•จ์ˆ˜๋Š” ์œ„์™€ ๊ฐ™์ด ์ •์˜๋˜๋Š”๋ฐ ์œ„์˜ GAN์˜ ๊ฒฝ์šฐ์™€ ๋น„๊ตํ•ด ๋ณด๋ฉด Generator์™€ Discriminator ๊ฐ๊ฐ์— ์ถ”๊ฐ€๋œ ์ •๋ณด y์— ๋Œ€ํ•ด ์กฐ๊ฑด๋ถ€ ํ™•๋ฅ ์ธ ์ ์ด ์ฐจ์ด์ ์œผ๋กœ ๋‚˜ํƒ€๋‚ฉ๋‹ˆ๋‹ค. ์•„๋ž˜๋Š” cGAN์˜ ๊ฐ„๋‹จํ•œ ๊ตฌ์กฐ๋กœ input์—์„œ y์ •๋ณด๊ฐ€ ์ถ”๊ฐ€๋กœ ๋“ค์–ด๊ฐ€๋Š” ๊ฒƒ๊ณผ output์œผ๋กœ ๋‚˜์˜ค๋Š” ํ™•๋ฅ ๊ฐ’์ด y์ •๋ณด์— ๋Œ€ํ•œ ์กฐ๊ฑด๋ถ€์ธ ๊ฒƒ์„ ํ™•์ธํ•  ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.

  • ๊ทธ๋ฆผ 1-6 Conditional adversarial net (์ถœ์ฒ˜: Mehdi Mirza. 2014. Conditional Generative Adversarial Nets)

2014๋…„ 11์›” ๋ชฌํŠธ๋ฆฌ์˜ฌ๋Œ€ํ•™๊ต์—์„œ ์ตœ์ดˆ๋กœ ๋ฐœํ‘œ๋œ cGAN ๋…ผ๋ฌธ์—์„œ๋Š” ์•„๋ž˜์™€ ๊ฐ™์ด MNIST ๋ฐ์ดํ„ฐ์…‹์œผ๋กœ๋ถ€ํ„ฐ ์›ํ•˜๋Š” ์ˆซ์ž(0~9๊นŒ์ง€ ๊ฐ๊ฐ)์— ๋Œ€ํ•œ ์ƒ์„ฑ ๊ฒฐ๊ณผ๋ฅผ ํ–‰๋ณ„๋กœ ์ด 10ํ–‰์˜ ๊ฒฐ๊ณผ ์ด๋ฏธ์ง€๋กœ ๋ณด์—ฌ์ฃผ๊ณ  ์žˆ์Šต๋‹ˆ๋‹ค.

  • ๊ทธ๋ฆผ 1-7 Generated MNIST digits, each now conditioned on one label
    (์ถœ์ฒ˜: Mehdi Mirza. 2014. Conditional Generative Adversarial Nets)

1.2.3. ํ‰๊ฐ€ ์ง€ํ‘œ (Evaluation Metrics)ยถ

GAN ์ฐฝ์‹œ์ž Ian Goodfellow๋Š” 2014๋…„ GAN์„ ์†Œ๊ฐœํ•œ ์ดํ›„ 2016๋…„์— ํ•™์Šต(training)๋ฐฉ์‹์„ ํ–ฅ์ƒ์‹œํ‚ค๋Š” ๊ธฐ์ˆ ์„ ์ถ”๊ฐ€๋กœ ๋ฐœํ‘œํ–ˆ๋Š”๋ฐ ๋…ผ๋ฌธ์—์„œ ์ €์ž๋“ค์€ โ€œGAN์€ object function์ด ์—†์œผ๋ฉฐ ์ด๋Š” ์„œ๋กœ ๋‹ค๋ฅธ ๋ชจ๋ธ๋“ค์˜ ํผํฌ๋จผ์Šค๋ฅผ ๋น„๊ตํ•˜๋Š” ๊ฒƒ์„ ์–ด๋ ต๊ฒŒ ๋งŒ๋“œ๋Š” ์š”์ธ์ด๋‹คโ€๋ผ๊ณ  ์–ธ๊ธ‰ํ–ˆ์Šต๋‹ˆ๋‹ค. ์ฆ‰ ์ฃผ์–ด์ง„ GAN ๋ชจ๋ธ์— ๋Œ€ํ•ด ์ผ๋ฐ˜์ ์œผ๋กœ ํ•ฉ์˜๋œ ํ‰๊ฐ€ ๋ฐฉ์‹์ด ์—†๋‹ค๋Š” ๊ฒƒ์ธ๋ฐ, ์ด๋Š” ํ•™์Šต(training)์ด ์‹คํ–‰๋˜๊ณ  ์žˆ๋Š” ๋™์•ˆ ์ตœ์ข…์ ์ธ GAN ๋ชจ๋ธ์„ ์„ ํƒํ•  ๋•Œ, GAN ๋ชจ๋ธ์˜ ํ™œ์šฉ์„ฑ์„ ์ฆ๋ช…ํ•˜๊ธฐ ์œ„ํ•ด ์ƒ์„ฑ๋œ ์ด๋ฏธ์ง€๋ฅผ ์„ ํƒํ•  ๋•Œ, GAN ๋ชจ๋ธ ์•„ํ‚คํ…์ฒ˜ ๊ฐ„ ๋น„๊ตํ•  ๋•Œ ๋“ฑ์˜ ๊ฒฝ์šฐ์— ์ด์Šˆ๊ฐ€ ๋˜๊ณค ํ•ฉ๋‹ˆ๋‹ค.

2018๋…„ GAN์˜ ํ‰๊ฐ€ ์ง€ํ‘œ์˜ ์žฅ๋‹จ์ ์„ ๊ธฐ์ˆ ํ•œ ๋…ผ๋ฌธ์—์„œ Ali Borji๋Š” โ€œGAN ๋ชจ๋ธ์˜ ๊ฐ•์ ๊ณผ ํ•œ๊ณ„์ ์„ ๋ฐ˜์˜ํ•˜๋Š” ๊ฐ€์žฅ ์ ์ ˆํ•œ ์ง€ํ‘œ์— ๋Œ€ํ•ด์„œ๋Š” ์•„์ง๋„ ์˜๊ฒฌ์˜ ์ผ์น˜๊ฐ€ ์ด๋ฃจ์–ด์ง€์ง€๋Š” ์•Š์•˜๋‹คโ€๊ณ  ์–ธ๊ธ‰ํ–ˆ์Šต๋‹ˆ๋‹ค. ์ด์™€ ๊ฐ™์ด GAN ๋ชจ๋ธ์€ ์ƒ์„ฑ ๋Œ€์ƒ์˜ ๋„๋ฉ”์ธ ๋ฌธ๋งฅ์— ๋”ฐ๋ผ ์ƒ์„ฑ๋œ ์ด๋ฏธ์ง€์˜ ํ€„๋ฆฌํ‹ฐ์— ๊ธฐ๋ฐ˜ํ•˜์—ฌ ํ‰๊ฐ€๋˜๊ณ ๋Š” ํ–ˆ์Šต๋‹ˆ๋‹ค.

๊ทธ ์ดํ›„์ธ 2019๋…„ Macquarie ๋Œ€ํ•™๊ต์˜ Hamed Alqahtani๊ฐ€ ๋ฐœํ‘œํ•œ ๋…ผ๋ฌธ์—์„œ๋Š” GAN ๋ชจ๋ธ์˜ ํ‰๊ฐ€์ง€ํ‘œ์— ๋Œ€ํ•œ ์—ฐ๊ตฌ๋ฅผ ํ†ตํ•ด 10์—ฌ ๊ฐœ์˜ GAN ๋ชจ๋ธ์˜ ํ‰๊ฐ€์ง€ํ‘œ๋ฅผ ์ œ์‹œํ•˜์˜€์Šต๋‹ˆ๋‹ค. Hamed์— ๋”ฐ๋ฅด๋ฉด GAN์˜ ํ‰๊ฐ€์ง€ํ‘œ๋Š” ํฌ๊ฒŒ ์ •์„ฑ์ ์ธ ์ง€ํ‘œ์™€ ์ •๋Ÿ‰์ ์ธ ์ง€ํ‘œ 2๊ฐ€์ง€๋กœ ๋ถ„๋ฅ˜๋˜๋ฉฐ ์ผ๋ฐ˜์ ์œผ๋กœ ์ •์„ฑ์ ์ธ ์ง€ํ‘œ๋Š” ์‚ฌ๋žŒ์ด ์ด๋ฏธ์ง€๋ฅผ ํ‰๊ฐ€ํ•˜๋ฏ€๋กœ ๋น„์šฉ์ด ๋งŽ์ด ๋“ ๋‹ค๊ณ  ํ•ฉ๋‹ˆ๋‹ค.

์ •์„ฑ์ ์ธ ์ง€ํ‘œ์—๋Š” Nearest Neighbor, Rating and Preference Judgement, Rapid Scene Categorization์ด ์žˆ์œผ๋ฉฐ ์ •๋Ÿ‰์ ์ธ ์ง€ํ‘œ์—๋Š” FID(Freechet Inception Distance), IS(Inception Score), Mode Score, Maximum Mean Discrepancy ๋“ฑ์ด ์žˆ์Šต๋‹ˆ๋‹ค. ์šฐ๋ฆฌ๋Š” ์•„๋ž˜์—์„œ NVIDIA์˜ ๋…ผ๋ฌธ์— ๋ชจ๋ธ ๋น„๊ต์‹œ ํ•ต์‹ฌ์ ์œผ๋กœ ์‚ฌ์šฉํ–ˆ๋˜ IS์™€ ์ž์ฃผ ์“ฐ์ด๋Š” FID 2๊ฐ€์ง€์— ๋Œ€ํ•ด์„œ ์•Œ์•„๋ณด๊ฒ ์Šต๋‹ˆ๋‹ค.

Inception Score (IS)ยถ

Inception Score๋Š” Salimans et al.์— ์˜ํ•ด ์ œ์•ˆ๋˜์—ˆ๋Š”๋ฐ GAN์˜ ํ‰๊ฐ€์— ๋„๋ฆฌ ์“ฐ์ด๋Š” ์ง€ํ‘œ์ž…๋‹ˆ๋‹ค. ์ด ์ง€ํ‘œ๋Š” ํด๋ž˜์Šค label๊ณผ ๊ด€๋ จํ•˜์—ฌ ํŠน์ง•์ ์ธ ์†์„ฑ๋“ค์„ ์žก์•„๋‚ด๊ธฐ ์œ„ํ•ด pre-trained ์‹ ๊ฒฝ๋ง์„ ์‚ฌ์šฉํ•ฉ๋‹ˆ๋‹ค. ์•„๋ž˜๋Š” IS ๊ฐ’์„ ๋„์ถœํ•˜๋Š” ์ˆ˜์‹์ธ๋ฐ ์ƒ˜ํ”Œ์˜ ์กฐ๊ฑด๋ถ€ ๋ถ„ํฌ p(y|x)์™€ ๋ชจ๋“  ์ƒ˜ํ”Œ์—์„œ ์–ป์€ ์ฃผ๋ณ€๋ถ„ํฌ p(y) ์‚ฌ์ด์˜ ํ‰๊ท ์ ์ธ KL ๋ฐœ์‚ฐ ์ •๋„(Average KL Divergence)๋ฅผ ์ธก์ •ํ•˜๋Š” ๊ฒƒ์ด๋ฉฐ ์ด ๊ฐ’์ด ๋†’์„์ˆ˜๋ก ์ข‹์€ ์„ฑ๋Šฅ๋ฅผ ๋‚ธ๋‹ค๊ณ  ํ•ด์„ํ•  ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค. ํ•˜์ง€๋งŒ IS์—๋Š” ์‹ค์ œ ์ƒ˜ํ”Œ ๋Œ€์‹  ์ƒ์„ฑ๋œ ์ด๋ฏธ์ง€๋ฅผ ์‚ฌ์šฉํ•ด ๊ณ„์‚ฐํ•˜๊ณ  ํด๋ž˜์Šค ๋‹น ํ•˜๋‚˜์˜ ์ด๋ฏธ์ง€๋งŒ ์ƒ์„ฑํ•˜๋ฉด ๋‹ค์–‘์„ฑ์ด ๋ถ€์กฑํ•˜๋”๋ผ๋„ p(y)๊ฐ€ ๊ท ๋“ฑ ๋ถ„ํฌ์— ๊ฐ€๊น๊ฒŒ ๋‚˜์˜ค๊ธฐ ๋•Œ๋ฌธ์— ์„ฑ๋Šฅ์„ ์™œ๊ณกํ•  ์ˆ˜ ์žˆ๋‹ค๋Š” ๋‹จ์ ์ด ์žˆ์Šต๋‹ˆ๋‹ค.

  • ๊ทธ๋ฆผ 1-8 Average KL Divergence (์ถœ์ฒ˜: Hamed Alqahtani. 2019. An Analysis Of Evaluation Metric Of GANs)

Frechet Inception Distance (FID)ยถ

Frechet Inception Distance๋Š” ์ƒ์„ฑ๋˜๋Š” ์ด๋ฏธ์ง€์˜ ํ€„๋ฆฌํ‹ฐ ์ผ๊ด€์„ฑ์„ ์œ ์ง€ํ•˜๊ธฐ ์œ„ํ•ด ์ด์šฉ๋˜๋Š” ์ง€ํ‘œ์ž…๋‹ˆ๋‹ค. ์‹ค์ œ ๋ฐ์ดํ„ฐ์˜ ๋ถ„ํฌ๋ฅผ ํ™œ์šฉํ•˜์ง€ ์•Š๋Š” ๋‹จ์ ์„ ๋ณด์™„ํ•˜์—ฌ ์‹ค์ œ ๋ฐ์ดํ„ฐ์™€ ์ƒ์„ฑ๋œ ๋ฐ์ดํ„ฐ์—์„œ ์–ป์€ feature์˜ ํ‰๊ท ๊ณผ ๊ณต๋ถ„์‚ฐ์„ ๋น„๊ตํ•˜๋Š” ๋ฐฉ์‹์ด๋ฉฐ FID๊ฐ€ ๋‚ฎ์„์ˆ˜๋ก ์ด๋ฏธ์ง€์˜ ํ€„๋ฆฌํ‹ฐ๊ฐ€ ๋” ์ข‹์•„์ง€๋Š”๋ฐ ์ด๋Š” ์‹ค์ œ ์ด๋ฏธ์ง€์™€ ์ƒ์„ฑ๋œ ์ด๋ฏธ์ง€์˜ ์œ ์‚ฌ๋„๊ฐ€ ๋†’์•„์ง€๋Š” ๊ฒƒ์„ ๋งํ•ฉ๋‹ˆ๋‹ค. ์ฆ‰ ์‰ฝ๊ฒŒ ๋งํ•ด FID๋Š” ์ƒ์„ฑ๋œ ์ƒ˜ํ”Œ๋“ค์˜ ํ†ต๊ณ„์™€ ์‹ค์ œ ์ƒ˜ํ”Œ๋“ค์˜ ํ†ต๊ณ„๋ฅผ ๋น„๊ตํ•˜๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค.

์ด์–ด์„œ ๋‹ค์Œ ์ ˆ์—์„œ๋Š” GAN์„ ์ ์šฉํ•œ ์‚ฌ๋ก€๋“ค์— ๋Œ€ํ•ด์„œ ์‚ดํŽด๋ณด๊ฒ ์Šต๋‹ˆ๋‹ค.

1.3. ์ ์šฉ ์‚ฌ๋ก€ (Use Case)ยถ

GAN์€ ์ด๋ฏธ์ง€ ์ƒ์„ฑ์„ ์ค‘์‹ฌ์œผ๋กœ ๋‹ค์–‘ํ•˜๊ฒŒ ์‘์šฉ๋˜์–ด ์™”๋Š”๋ฐ ์˜ˆ์‹œ๋ฅผ ์‚ดํŽด๋ณด๋ฉด ๋‹ค์Œ๊ณผ ๊ฐ™์Šต๋‹ˆ๋‹ค.

1.3.1. ๊ฐ€์งœ์ด๋ฏธ์ง€ ์ƒ์„ฑ / NVIDIAยถ

  • ๊ทธ๋ฆผ 1-9 Images generated using the CELEBA-HQ dataset
    (์ถœ์ฒ˜: Tero Karras. 2018. Progressive Growing of GANs for Improved Quality, Stability, and Variation)

2017๋…„ ๊ธ€๋กœ๋ฒŒ GPU ์„ค๊ณ„ ํšŒ์‚ฌ NVIDIA์—์„œ ๊ณต๊ฐœํ•œ โ€˜์‹ค์กดํ•˜์ง€ ์•Š๋Š” ์‚ฌ๋žŒ๋“ค์˜ ์ด๋ฏธ์ง€โ€™๊ฐ€ GAN์˜ ๋Œ€ํ‘œ์ ์ธ ์ ์šฉ ์‚ฌ๋ก€์ž…๋‹ˆ๋‹ค. ๋‹น์‹œ NVIDIA๋Š” ๊ธฐ์กด์˜ GAN ๊ฒฐ๊ณผ๋“ค๋ณด๋‹ค ์ด๋ฏธ์ง€ ํ’ˆ์งˆ, ์•ˆ์ •์„ฑ, ๋‹ค์–‘์„ฑ ๋“ฑ์„ ํ–ฅ์ƒ์‹œํ‚จ ์ƒˆ๋กœ์šด ํ›ˆ๋ จ ๋ฐฉ๋ฒ•๋ก ์„ ์ œ์‹œํ•˜์˜€๊ณ  ๊ทธ ๊ฒฐ๊ณผ ์ƒ์„ฑ๋œ ์ด๋ฏธ์ง€๋Š” ์œ„์™€ ๊ฐ™์ด ์‚ฌ๋žŒ์˜ ๋ˆˆ์œผ๋กœ๋Š” ์‹ค์กด ์ธ๋ฌผ์ธ์ง€ ๊ฐ€์ƒ ์ธ๋ฌผ์ธ์ง€ ํŒ๋ณ„ํ•˜๊ธฐ ์–ด๋ ค์šด ์ˆ˜์ค€์œผ๋กœ ๋‚˜ํƒ€๋‚ฌ์Šต๋‹ˆ๋‹ค.

NVIDIA๊ฐ€ ์ œ์‹œํ•œ GAN์˜ ์ƒˆ๋กœ์šด ํ›ˆ๋ จ ๋ฐฉ๋ฒ•๋ก ์˜ ํ•ต์‹ฌ์€ Generator์™€ Discriminator๋ฅผ ๋‘˜ ๋‹ค ๋‚ฎ์€ โ€˜๊ฒฐ๊ณผ๊ฐ’โ€™์—์„œ ์‹œ์ž‘ํ•˜์—ฌ ํ›ˆ๋ จ์ด ์ง„ํ–‰๋˜๋ฉด์„œ ๋ชจ๋ธ์ด ์•„์ฃผ ์„œ์„œํžˆ โ€˜ํ•™์Šตโ€™ํ•˜๋„๋ก ์ƒˆ๋กœ์šด ๋ ˆ์ด์–ด๋ฅผ ์Œ“์•„๊ฐ€๋ฉฐ ์ ์ง„์ ์œผ๋กœ ์„ฑ์žฅ์‹œํ‚ค๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค. NVIDIA๋Š” ์ด ๋ฐฉ์‹์„ ํ†ตํ•ด ๊ธฐ์กด๋ณด๋‹ค ๋†’์€ IS ๊ฐ’(GAN์˜ ํ‰๊ฐ€์ง€ํ‘œ)๋ฅผ ๋‹ฌ์„ฑํ–ˆ์œผ๋ฉฐ ๋‚˜์•„๊ฐ€ ์ด๋ฏธ์ง€ ํ€„๋ฆฌํ‹ฐ์™€ ๋‹ค์–‘์„ฑ์„ ๋ชจ๋‘ ๊ณ ๋ คํ•œ ์ƒˆ๋กœ์šด ํ‰๊ฐ€์ง€ํ‘œ๋ฅผ ์ œ์•ˆํ•˜๊ณ  ์žˆ์Šต๋‹ˆ๋‹ค.

๋˜ํ•œ, ๋…ผ๋ฌธ์—์„œ NVIDIA๋Š” ์‚ฌ๋žŒ๋ฟ ์•„๋‹ˆ๋ผ ์นจ์‹ค, ํ™”๋ถ„, ์†ŒํŒŒ, ๋ฒ„์Šค ๋“ฑ์˜ ์‚ฌ๋ฌผ๋„ ์‹ค์ œ์™€ ๊ฐ™์€ ์ด๋ฏธ์ง€๋กœ ๋งŒ๋“ค์–ด๋‚ผ ์ˆ˜ ์žˆ์Œ์„ ๋ณด์—ฌ์ฃผ๊ณ  ์žˆ์œผ๋ฉฐ ์ด๋Š” ์ €ํ•ด์ƒ๋„์˜ ์‚ฌ์ง„์„ ๊ณ ํ•ด์ƒ๋„๋กœ ๋งŒ๋“œ๋Š” ๋“ฑ ์†์ƒ๋œ ์ด๋ฏธ์ง€๋ฅผ ๋ณต์›ํ•  ๋•Œ์—๋„ ํ™œ์šฉ๋  ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.

1.3.2. ๊ฐ€์งœ ์˜ค๋ฐ”๋งˆ ์—ฐ์„ค ์˜์ƒ / University of Washingtonยถ

  • ๊ทธ๋ฆผ 1-10 Fake Obama Video (์ถœ์ฒ˜: Supasorn Suwajanakorn. 2017. Synthesizing Obama: Learning Lip Sync from Audio)

2017๋…„ ์›Œ์‹ฑํ„ด๋Œ€ํ•™๊ต(University of Washington)์—์„œ๋Š” GAN์„ ์ด์šฉํ•˜์—ฌ ๋ฒ„๋ฝ ์˜ค๋ฐ”๋งˆ(Barack Obama) ์ „ ๋ฏธ๊ตญ ๋Œ€ํ†ต๋ น์˜ ๊ฐ€์งœ ์—ฐ์„ค ์˜์ƒ์„ ๋งŒ๋“ค์–ด ๋ฐœํ‘œํ–ˆ์Šต๋‹ˆ๋‹ค. ์ด ์˜์ƒ์€ ์˜ค๋ฐ”๋งˆ ์ „ ๋Œ€ํ†ต๋ น์˜ ๊ณผ๊ฑฐ ์—ฐ์„ค ์˜์ƒ๋“ค๋กœ๋ถ€ํ„ฐ ์Œ์„ฑ์„ ๋”ฐ๊ณ , ์ด ์Œ์„ฑ์— ๋งž๋Š” ์ž…๋ชจ์–‘์„ ๋งŒ๋“ค์–ด ํ•ฉ์„ฑํ•œ ๊ฒƒ์œผ๋กœ ๊ฐ€์งœ์ž…๋‹ˆ๋‹ค. ๋…ผ๋ฌธ์—์„œ ์ €์ž๋Š” ๋จผ์ € ์˜ค๋””์˜ค ์ธํ’‹์„ ์‹œ๊ฐ„์— ๋”ฐ๋ผ ๋‹ฌ๋ผ์ง€๋Š” ์ž…๋ชจ์–‘์œผ๋กœ ๋ณ€ํ™˜ํ•œ ํ›„ ์ง„์งœ๊ฐ™์€ ์ž…๋ชจ์–‘์„ ์ƒ์„ฑํ•˜๊ณ , ์ด๋ฅผ ๋Œ€์ƒ(ํƒ€๊ฒŸ) ๋น„๋””์˜ค์˜ ์ž…๋ชจ์–‘ ๋ถ€๋ถ„์— ์‚ฝ์ž…ํ•˜์—ฌ ์ƒ์„ฑํ–ˆ๋‹ค๊ณ  ๋ฐํ˜”์Šต๋‹ˆ๋‹ค. ์ด๋ ‡๊ฒŒ ์ตœ์ข… ํ•ฉ์„ฑ ์ „ ์ž…๋ชจ์–‘ ์‹œํ€€์Šค์™€ ๋Œ€์ƒ ๋น„๋””์˜ค๋ฅผ ์ผ์น˜์‹œํ‚ค๊ณ  ํƒ€์ด๋ฐ์„ ๋‹ค์‹œ ๋งž์ถ”์–ด ๋จธ๋ฆฌ ์›€์ง์ž„๊ณผ ์ธํ’‹ ์Šคํ”ผ์น˜๊ฐ€ ์ž์—ฐ์Šค๋Ÿฝ๊ฒŒ ๋‚˜ํƒ€๋‚  ์ˆ˜ ์žˆ๋„๋ก ํ•œ ๊ฒƒ์ž…๋‹ˆ๋‹ค. ์˜์ƒ์€ ๋งํฌ์—์„œ ์‹œ์ฒญํ•  ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.

1.3.3. Eye In-Painting / Facebookยถ

  • ๊ทธ๋ฆผ 1-11 Eye In-Painting Examples from Facebook Inc.
    (์ถœ์ฒ˜: Brian Dolhansky. 2018. Eye In-Painting with Exemplar Generative Adversarial Networks)

2017๋…„ 12์›” Facebook์€ ExGAN ๊ธฐ์ˆ ์„ ๊ฐœ๋ฐœํ•˜์—ฌ ์‚ฌ๋žŒ์ด ๋ˆˆ์„ ๊ฐ์€ ์‚ฌ์ง„์—์„œ ๋ˆˆ์„ ๋œฌ ์‚ฌ๋žŒ์˜ ๋ชจ์Šต์˜ ์‚ฌ์ง„์œผ๋กœ ๋ฐ”๊พธ๋Š” ๊ณผ์ •์„ ๊ณต๊ฐœํ–ˆ์Šต๋‹ˆ๋‹ค. Real Eye Opener๋ผ๋Š” ๋ช…์นญ์œผ๋กœ ๋ถˆ๋ฆฌ๋Š” ์ด ์ž‘์—…์€ GAN์„ ํ†ตํ•ด ์ง„์งœ๊ฐ™์€ ๊ฐ€์งœ ๋ˆˆ์„ ๋งŒ๋“ค์–ด ๋ˆˆ์„ ๊ฐ์€ ์‚ฌ์ง„์— ํ•ฉ์„ฑ์‹œํ‚จ ์ด๋ฏธ์ง€์ž…๋‹ˆ๋‹ค. ํŠน์ • ์žฅ์†Œ๋‚˜ ๋‹ค์‹œ ์ฐ์„ ์ˆ˜ ์—†๋Š” ์‚ฌ์ง„์—์„œ ๋ˆˆ์„ ๊ฐ๊ณ  ์žˆ๋Š” ๋ชจ์Šต์„ ๋ณด์ •ํ•  ๋•Œ์— ํ™œ์šฉํ•  ์ˆ˜ ์žˆ๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค.

1.4. ํ•œ๊ณ„์ ยถ

์ง€๊ธˆ๊นŒ์ง€ GAN์ด๋ž€ ๋ฌด์—‡์ธ์ง€, GAN ๋ชจ๋ธ์˜ ๋‚ด๋ถ€์™€ ์„ฑ๋Šฅ ํ‰๊ฐ€ ๋ฐฉ์‹, ๊ทธ๋ฆฌ๊ณ  GAN์„ ์ ์šฉํ•œ ์‚ฌ๋ก€๋“ค์— ๋Œ€ํ•ด์„œ ์‚ดํŽด๋ณด์•˜์Šต๋‹ˆ๋‹ค. ์ด๋ ‡๋“ฏ ์œ ์šฉํ•ด ๋ณด์ด๋Š” GAN ๋ชจ๋ธ ์—ญ์‹œ ์ดˆ๊ธฐ๋ถ€ํ„ฐ ํ•œ๊ณ„์ ์„ ๊ฐ€์ง€๊ณ  ์žˆ์–ด ์™”๋Š”๋ฐ ์ด๋ฅผ ์‚ดํŽด๋ณด๋ฉด ์•„๋ž˜์™€ ๊ฐ™์Šต๋‹ˆ๋‹ค.

GAN์€ ๊ธฐ์ˆ ์ ์œผ๋กœ ๊ณ ํ•ด์ƒ๋„ ์ด๋ฏธ์ง€๋ฅผ ์ƒ์„ฑํ•  ์ˆ˜ ์—†๋‹ค๋Š” ์ ๊ณผ ํ•™์Šต์ด ๋ถˆ์•ˆ์ •ํ•˜๋‹ค๋Š” ์ ์„ ํ•œ๊ณ„์ ์œผ๋กœ ๊ฐ€์ง€๊ณ  ์žˆ์Šต๋‹ˆ๋‹ค. ์ด๋Ÿฌํ•œ ํ•œ๊ณ„์ ๋“ค์„ ๊ทน๋ณตํ•˜๊ณ  ๋‹ค์–‘ํ•˜๊ฒŒ ์‘์šฉ๋˜๋ฉด์„œ ์ฒ˜์Œ Ian Goodfellow์— ์˜ํ•ด ์ œ์•ˆ๋œ Vanilla GAN์„ ์‹œ์ž‘์œผ๋กœ DCGAN, SRGAN, CycleGAN ๋“ฑ์˜ GAN ๋ชจ๋ธ์ด ๊ฐœ๋ฐœ๋˜์–ด ์™”์Šต๋‹ˆ๋‹ค.

์‚ฌ์šฉ์„ฑ ์ธก๋ฉด์—์„œ๋Š” ์œ„์˜ ์˜ˆ์‹œ๋“ค์—์„œ์ฒ˜๋Ÿผ ์ง„์งœ๊ฐ™์€ ๊ฐ€์งœ๋ฅผ ์ƒ์„ฑํ•˜๋Š” ๊ฒƒ์ด ํ™œ์šฉ๋„๊ฐ€ ๋†’์€ ๋ฐ˜๋ฉด ๊ทธ๋งŒํผ์˜ ์•…์šฉ ๊ฐ€๋Šฅ์„ฑ๋„ ์กด์žฌํ•ฉ๋‹ˆ๋‹ค. ์ง„์งœ์™€ ๊ฐ€์งœ๋ฅผ ๊ตฌ๋ณ„ํ•˜๊ธฐ ํž˜๋“ค๋‹ค๋Š” ์ ์„ ์ด์šฉํ•œ ๋”ฅํŽ˜์ดํฌ ๊ธฐ์ˆ ๋กœ ๋งŒ๋“  ํฌ๋ฅด๋…ธ ์˜์ƒ์ด ๋Œ€ํ‘œ์ ์ธ ์˜ˆ์‹œ์ธ๋ฐ, ์œ ๋ช…์ธ์‚ฌ๋“ค์˜ ์ด๋ฏธ์ง€๋ฅผ ํฌ๋ฅด๋…ธ์™€ ํ•ฉ์„ฑํ•˜์—ฌ ๋ฐฐํฌํ•˜๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค. ๋”ํ•˜์—ฌ GAN์„ ์ด์šฉํ•˜๋ฉด ์ด๋Ÿฌํ•œ ๋ฌธ์ œ๊ฐ€ ๋˜๋Š” ๋ฐ์ดํ„ฐ๋“ค์„ ๋น ๋ฅด๊ฒŒ ๋งŽ์ด ๋งŒ๋“ค์–ด๋‚ผ ์ˆ˜ ์žˆ๊ธฐ์— ๋””์ง€ํ„ธ ์„ฑ๋ฒ”์ฃ„ ๋“ฑ ์œค๋ฆฌ์ ์ธ ์ด์Šˆ๋„ ์ˆ˜๋ฐ˜ํ•ฉ๋‹ˆ๋‹ค.

์ด ์™ธ์—๋„, GAN์„ ํ†ตํ•ด ์ƒ์„ฑ๋œ ๋ฏธ๋””์–ด์˜ ์ง€์‹์žฌ์‚ฐ๊ถŒ ์ด์Šˆ, ๊ฐ€์งœ ์ด๋ฏธ์ง€๋ฅผ ์ด์šฉํ•œ ์‚ฌ๊ธฐ ๋“ฑ ์—ฌ๋Ÿฌ๊ฐ€์ง€ ๋ฒ•์ , ์œค๋ฆฌ์ ์ธ ๋ฒ”์ฃผ์˜ ์ด์Šˆ๊ฐ€ ์กด์žฌํ•˜๋Š”๋ฐ ์ด๋Š” GAN์˜ ๊ธฐ์ˆ ์  ๋ฐœ์ „์— ๋”ฐ๋ฅธ ์ œ๋„์  ๋Œ€์•ˆ์ด ์ˆ˜๋ฐ˜๋˜์–ด์•ผ ํ•จ์„ ์‹œ์‚ฌํ•ฉ๋‹ˆ๋‹ค.

์ด์–ด์ง€๋Š” 2์žฅ์—์„œ๋Š” Victorian400 ๋ฐ์ดํ„ฐ์…‹์— ์ €์žฅ๋œ ์ด๋ฏธ์ง€๋ฅผ ๋ถ„์„ ํ™˜๊ฒฝ์œผ๋กœ ๊ฐ€์ ธ์˜ค๊ณ  ์‹œ๊ฐํ™” ํ•ด๋ณด๋„๋ก ํ•˜๊ฒ ์Šต๋‹ˆ๋‹ค.