초록
생성적 적대 네트워크(GANs)는 클래스 라벨 정보가 제공될 때 체계적으로 더 높은 품질의 샘플을 생성합니다. 즉, 조건부 GAN 설정에서입니다. 최근 제안된 Wasserstein GAN 공식에서도 이 현상이 관찰되며, 이 공식은 적대 학습을 안정화시키고 ResNet과 같은 고용량 네트워크 아키텍처를 고려할 수 있게 합니다. 본 연구에서는 사용 가능한 클래스 라벨을 확장하여 조건부 GAN의 성능을 향상시키는 방법을 보여줍니다. 새로운 클래스는 동일한 GAN 모델이 학습한 표현 공간에서 클러스터링을 통해 얻어집니다. 제안된 전략은 클래스 정보가 없는 경우, 즉 비지도 학습 설정에서도 가능합니다. 우리의 생성 샘플은 CIFAR-10 및 STL-10 데이터셋에서 지도 학습과 비지도 학습 설정 모두에서 최신 Inception 점수를 달성하였습니다.