Conditional Generative Adversarial Nets

GAN(Generative Adversarial Networks)는 최근 생성적 모델을 학습시키는 새로운 방법으로 소개되었다. GAN은 생성기와 분류기의 경쟁적 학습에 의해 실제 이미지와 유사한 가짜 이미지를 만들어 내지만, 어떤 이미지를 만들어 낼지는 알 수 없었다. 이러한 문제를 해결하고자 조건을 추가하였다. 

1. Conditional GAN

• z는 Latent vector(잠재 변수- 100차원의 정규화된 모델에 의한 랜덤변수), y는 조건, x는 생성된 데이터
• 초록색 부분(y = Condition)을 제외하면, GAN과 동일하다.
• 조건 데이터는 이미지 뿐만 아니라 다양한 형태(one-hot vector, image, word..)를 가질수 있다.
• 생성기와 분류기에서 입력 데이터로 Concatenation(데이터의 차원수를 늘려 정보를 포함)을 통해 활용
• 학습과정
1. 생성기에서 z와 y를 입력으로 데이터를 생성한다(가짜 데이터)
2. 생성된 가짜 이미지는 정답데이터와 손실함수(Reconstruction Loss = L1_Loss)를 적용 후 backward
3. 분류기에서 생성된 가짜 이미지와 정답 데이터(0)를 손실함수(Adversarial Loss = Binary Cross Entropy Loss) 적용
   
4. 분류기에서 정답 이미지와 정답 데이터(1)를 손실 함수(Adversarial Loss = Binary Cross Entropy Loss) 적용
5. (3, 4)에서 구해진 값을 2로 나누어 backward
• 3,4에서는 학습할 때, 정답 데이터로 동일한 크기의 변수를 생성하고 거짓이면 0, 정답이면 1로 채워서 학습한다.
• Objective function

GAN과 동일하게 생성기와 분류기 간의 MINMAX 게임을 통해 학습을 하며, y가 조건부로 들어가게 된다. 

2. 실험 결과

MNIST 데이터를 활용했을때, 원하는 데이터가 정렬되서 나온것을 볼 수 있다.