1. Generative 이름의 의미
→ 생성하는 모델!
→ 무엇을 생성하냐면
실제와 비슷한 분포를 가지는 그럴듯한 가짜 데이터를 생성한다!
(seed vector를 주면 그럴듯한 가짜 데이터를 생성해냄)
→ 랜덤하게 픽셀들 값 세팅한다고 언젠가 이미지가 되냐? 절대 아님!
실제 데이터와 랜덤 데이터는 분포가 다름
실제 데이터는 무언가 메커니즘에 의해 분포를 맞추면서 나타나진다.
seed vector의 분포를 실제 데이터와 비슷하게 맞추어 그 메커니즘을 따라해보자는거지
학습 진행 양상
GAN으로 만든 예시
💡
즉, GAN의 목적은 이 가짜 데이터를 만들어주는 Generator 함수를 찾는거!
Generator 함수 G
2. Adversarial 이름의 의미
adversarial: 적대적인 이라는 의미!
Generator와 Discriminator의 관계
→ generator와 discriminator의 관계가
→ 위조지폐범과 경찰의 관계와 비슷
Discriminator 함수 D
- 학습 초반 & 학습 완료 비교
💡
이렇게 실제 데이터와 가짜 데이터에 대해 discriminator가 비슷한 값 뱉어낼 정도로 학습이 잘되면 → 학습을 중단시키고 generator를 사용하면 된다!
3. Network 이름의 의미
→ 앞에 E[logD(x)] 이건 빼고, 뒤에 항의 값만 최소화하는거임
Quick preview of Algorithm
- 그림으로 대략보면
💡
수렴조건: discriminator가 실제 데이터와 가짜 데이터에 대해 비슷한 값을 내는거- 조금 더 엄밀하게 풀어보면
The Algorithm
예시
Decoder를 GAN에 사용할 수 있음!
Image Super-resolution with GAN
💡
GAN을 이용하여 선명한 이미지를 만드는것도 가능하다 → 이때는 Autoencoder 전체를 다 사용
Uploaded by N2T