초록
생성적 적대 네트워크(GANs)의 훈련은 매우 취약하여, 생성기와 판별기 간의 균형을 유지해야만 잘 작동한다. 이 문제를 완화하기 위해 우리는 새로운 정규화 기법인 GAN의 점진적 증강(PA-GAN)을 소개한다. 이 기법의 핵심 아이디어는 판별기의 입력 또는 특징 공간을 점진적으로 확장하여 판별기의 작업 난이도를 서서히 높이는 것이다. 이렇게 하면 생성기가 지속적으로 학습할 수 있다. 우리는 제안된 점진적 증강이 원래 GAN 목적 함수를 보존하며, 판별기의 최적성을 저해하지 않고, 생성기와 판별기 사이에서 건전한 경쟁을 촉진하여 성능이 더 우수한 생성기를 얻을 수 있음을 보여준다. 우리는 이미지 합성 작업에 대한 다양한 아키텍처와 여러 벤치마크에서 PA-GAN의 효과를 실험적으로 입증하였으며, 평균적으로 FID 점수가 약 3점 개선되는 것을 확인하였다.