자기 지도 GANs: 보조 회전 손실을 통한 방법

조건부 GANs(Generative Adversarial Networks)는 자연 이미지 합성의 최전선에 있습니다. 이러한 모델의 주요 단점은 라벨화된 데이터가 필요하다는 점입니다. 본 연구에서는 두 가지 인기 있는 비지도 학습 기술, 적대적 훈련과 자기 감독을 활용하여 조건부 GAN과 비조건부 GAN 사이의 격차를 줄이는 방향으로 한 걸음을 내딛습니다. 특히, 네트워크들이 표현 학습 작업에서 협력할 수 있도록 하면서, 전통적인 GAN 게임에서는 적대적으로 행동하도록 합니다. 자기 감독의 역할은 훈련 중에 잊혀지지 않는 의미 있는 특징 표현을 학습하도록 판별자를 독려하는 것입니다. 우리는 실험적으로 학습된 이미지 표현의 품질과 생성된 이미지의 품질을 모두 검증합니다. 동일한 조건 하에서, 자기 감독 GAN은 최신 조건부 대응 모델과 유사한 성능을 달성합니다. 마지막으로, 이 접근 방식이 완전히 비지도 학습으로 확장될 수 있으며, 비조건부 ImageNet 생성에서 FID(Fréchet Inception Distance) 23.4를 달성할 수 있음을 보여줍니다.