이미지-이미지 변환을 위한 조건부 적대적 네트워크

우리는 조건부 적대 네트워크(conditional adversarial networks)를 이미지-이미지 변환 문제의 일반적인 해결책으로 조사합니다. 이러한 네트워크는 입력 이미지에서 출력 이미지로의 매핑을 학습하는 것뿐만 아니라, 이 매핑을 훈련시키기 위한 손실 함수(loss function)도 학습합니다. 이는 전통적으로 매우 다른 손실 공식(loss formulations)이 필요했던 문제들에 동일한 일반적인 접근 방식을 적용할 수 있게 합니다. 우리는 라벨 맵(label maps)에서 사진을 합성하고, 에지 맵(edge maps)에서 객체를 재구성하며, 이미지를 색상화하는 등의 작업에서 이 접근 방식이 효과적임을 입증하였습니다. 실제로, 본 논문과 관련된 pix2pix 소프트웨어가 출시된 이후로 많은 인터넷 사용자(그 중 다수는 예술가들)들이 우리 시스템으로 자신의 실험 결과를 게시하여, 이를 통해 해당 접근 방식의 광범위한 적용 가능성과 파라미터 조정 없이도 쉽게 채택할 수 있음을 더욱 입증하였습니다. 이제 커뮤니티로서 우리는 더 이상 매핑 함수(mapping functions)를 수동으로 설계하지 않으며, 이 연구는 손실 함수(loss functions) 역시 수동으로 설계하지 않고도 합리적인 결과를 얻을 수 있음을 제안합니다.