제약된 공간에서 붕괴 모드를 탈출하는 방법

생성적 적대 네트워크(GANs)는 훈련 중 예측할 수 없는 모드 붕괴(mode-collapsing)를 겪는 경우가 많습니다. 본 연구에서는 최신 생성 모델 중 하나인 경계 균형 생성적 적대 네트워크(Boundary Equilibrium Generative Adversarial Network, BEGAN)의 모드 붕괴 문제를 조사합니다. 고품질 이미지를 생성할 잠재력에도 불구하고, BEGAN은 훈련이 진행된 후 일부 모드에서 붕괴하는 경향이 있다는 것을 발견했습니다. 이를 해결하기 위해 잠재 공간 제약을 손실 함수에 포함한 새로운 모델, \emph{잠재 공간 제약이 있는 BEGAN} (BEGAN-CS)을 제안합니다. 실험 결과, BEGAN-CS는 모델 복잡도를 증가시키거나 이미지 품질을 저하시키지 않으면서 훈련 안정성을 크게 개선하고 모드 붕괴를 억제할 수 있음을 보였습니다. 또한, 잠재 벡터의 분포를 시각화하여 잠재 공간 제약의 효과를 설명하였습니다. 실험 결과는 또한 우리 방법이 소규모 데이터셋에서도 훈련할 수 있으며, 주어진 실제 이미지와 유사하지만 지정된 속성을 실시간으로 변형시킨 이미지를 생성할 수 있는 추가적인 장점을 가지고 있음을 보여줍니다.