Generative Adversarial Networks 발전 스토리

 

Ian Goodfellow가 2014년 Generative Adversarial Networks(GAN)을 꿈꾸었을 때, 그 분야가 이렇게까지 빠른 발전이 있을거라고는 생각하지 못했을 것입니다.

 

아래 사진들을 봅시다.

 

https://regmedia.co.uk/2018/10/01/biggan.jpg

이 이미지들은 100% 가짜 이미지입니다.

가짜 이미지라는 것이, 포토샵같이 사람이 인위적으로 작업한 이미지를 말하는 것이 아닙니다.

오직 엄청난 양의 덧셈, 곱셈등 GPU 연산만을 통해 만들어낸 가짜 이미지입니다.

 

이 이미지들을 만들어낸 알고리즘이 GAN입니다.

 

2014년 발표된 기본 GAN의 모든 개선 알고리즘을 살펴보는 것은 현실적으로 매우 힘듭니다.

대신 지난 몇 년 동안 GAN 연구에서 멋진 결과를 나타낸 몇몇 연구들을 선택해서 살펴봅시다.

 

("Convolution"이나 "Wasserstein distance"등의 개념들은 자세히 설명하기보다는 참고할 수 있는 코드를 링크하겠습니다.)

 

아래는 GAN landscape를 표현한 그림입니다.

GAN landscape

1. GAN: Generative Adversarial Networks

2. CGAN: Conditional Generative Adversarial Network

3. DCGAN: Deep Convolutional Generative Adversarial Network

4. CycleGAN

5. CoGAN: Coupled Generative Adversarial Networks

6. ProGAN: Progressive Generative Adversarial Networks

7. WGAN: Wassertein Generative Adversarial Networks

8. SAGAN: Self-Attention Generative Adversarial Networks

9. BigGAN: Big Generative Adversarial Networks

10. StyleGAN: Style-based Generative Adversarial Networks

 

원문: https://blog.floydhub.com/gans-story-so-far/