조건부 GANs을 위한 선택적 집중 학습
Selective Focusing Learning for Conditional GANs
- 주제(키워드) GAN , Conditional Generative Adversarial Network , 적대적 신경망 , 조건부 적대적 신경망
- 발행기관 서강대학교 일반대학원
- 지도교수 강석주
- 발행년도 2021
- 학위수여년월 2021. 8
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- UCI I804:11029-000000066302
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권보호를 받습니다.
초록/요약
Conditional generative adversarial networks (cGANs) have demonstrated remarkable success due to their class-wise controllability and superior quality for complex generation tasks. Typical cGANs solve the joint distribution matching problem by decomposing two easier sub-problems: marginal matching and conditional matching. From our toy experiments, we found that it is the best to apply only conditional matching to certain samples due to the content-aware optimization of the discriminator. This thesis proposes a simple (a few lines of code) but effective training methodology, selective focusing learning, which enforces the discriminator and generator to learn easy samples of each class rapidly while maintaining diversity. Our key idea is to selectively apply conditional and joint matching for the data in each mini-batch. We conducted experiments on recent cGAN variants in ImageNet (64 X 64 and 128 X 128), CIFAR-10, and CIFAR-100 datasets, and improved the performance significantly (up to 35.18% in terms of FID) without sacrificing diversity.
more초록/요약
cGAN (Conditional Generative Adversarial Network)은 복잡한 생성 작업에 대한 클래스 별 제어 가능성과 우수한 품질로 인해 놀라운 성공을 거두었다. 일반적인 cGAN의 결합 분포 매칭을 주변 매칭과 조건 매칭이라는 두 가지 더 쉬운 하위 문제로 분해하여 기존 방법들의 문제점을 개선한다. 우리는 간단한 실험을 통해 판별자의 콘텐츠 인식 최적화로 인해 특정 샘플에 조건부 일치만 적용하는 것이 가장 좋다는 것을 발견했다. 이 논문에서는 간단하지만 효과적인 학습 방법론, 선택적 집중 학습을 제안한다. 이 방법은 판별자와 생성자가 다양성을 유지하면서 각 클래스의 쉬운 샘플을 빠르게 학습하도록 강제한다. 우리의 핵심 아이디어는 각 미니 배치의 데이터에 대해 조건부 및 결합 매칭을 선택적으로 적용하는 것이다. ImageNet (64 X 64 및 128 X 128), CIFAR-10 및 CIFAR-100 데이터 세트에서 최근 cGAN 변형에 대한 실험을 수행하고 성능을 크게 향상 시켰다 (FID 기준 최대 35.18%).
more