連続的条件付き生成対抗ネットワーク：新たな経験則損失関数とラベル入力機構

本研究は、連続的なスカラー条件（回帰ラベルと呼ばれる）を前提とした画像生成のための、初めての生成モデルとして「連続的条件付き生成対抗ネットワーク（CcGAN）」を提案する。既存の条件付きGAN（cGAN）は主にカテゴリカルな条件（例えばクラスラベル）を想定して設計されており、回帰ラベルを条件とする場合、数学的に異なる性質を持ち、以下の2つの根本的な課題を引き起こす。（P1）特定の回帰ラベルに対応する実画像が極めて少ない（あるいは存在しない）場合があり、従来のcGAN損失関数の経験的（empirical）バージョンを最小化しても、実用上はしばしば失敗する。（P2）回帰ラベルはスカラーであり、無限に多くの値を取るため、従来のラベル入力手法は適用できない。本研究で提案するCcGANは、これらの課題をそれぞれ以下のように解決する。（S1）既存の経験的cGAN損失関数を連続的な状況に適した形に再定式化する。また、（S2）回帰ラベルを生成器および識別器に組み込むための、単純なラベル入力法（NLI）と改良型ラベル入力法（ILI）を提案する。S1における再定式化により、新たな経験的識別器損失として「ハード近傍識別器損失（HVDL）」と「ソフト近傍識別器損失（SVDL）」の2種類、および新たな経験的生成器損失が導出される。本研究では、弱い仮定の下でHVDLおよびSVDLを用いて訓練された識別器の誤差境界を理論的に導出している。さらに、本連続的条件設定に特化した2つの新規ベンチマークデータセット（RC-49およびCell-200）と、新しい評価指標（スライディング・フレシェ・インセプション距離）も提案する。円形2次元ガウス分布、RC-49、UTKFace、Cell-200、ステアリング角度データセットにおける実験結果から、CcGANが与えられた回帰ラベル条件下で多様かつ高品質な画像サンプルを生成できることを示した。さらに、これらの実験において、CcGANは視覚的および定量的両面で従来のcGANを大きく上回っていることが明らかになった。