GAN 방법론과 그 성능지표에 대한 연구

Abstract

Generative model는 딥러닝의 한 분야로 원본 데이터와 비슷한 데이터를 생성하는 모델이다. 이 분야에서 Generative Adversarial Networks(GANs)는 real image에 가까운 데이터를 생성하는 것으로 알려져 있다. 2014년 GANs이 등장하고 2016년 DCGANs에 의해 비약적인 발전을 한 이후 2017년은 GAN zoo라 불릴만큼 GANs에 대한 연구가 활발하였다. GANs은 주로 이미지 데이터를 생성하는데, 이미지 데이터에 대한 평가가 가능하기 위해선 label이 필요하다. 그러나, GANs은 unsupervised learning이므로 모델에 대한 평가가 어렵다. 본 연구에서는 GANs, cGANs, DCGANs 모델에 대해서 다루며, GANs 계열 모델의 평가지표 중 가장 많이 쓰이는 Inception Score(IS)와 Frechet Inception Distance(FID)를 이용하여 3가지 모델의 성능을 비교하고자 한다.;Generative model is a field of deep learning and is a model that generates data similar to real data. In this field, Generative Adversarial Networks(GANs) are known to generate data close to real images. After the appearnce of GAN in 2014 and rapid development by DCGANs in 2016, research on GANs was active enough to be called GAN zoo in 2017. GANs mainly generated image data, and labels are needed to enable evaluation of generated image by GANs. However, since GANs is unsuperviesed learning, it is difficult to evaluate the model. In this study, we deal with GANs, cGANs, and DCGANs models, and compare the performance of the models using Inception Score(IS) and Frechet Inception Distance(FID), which are the most commonly used evaluation indicators of GAN series models.