다양한 이미지 합성용 모드 추구 생성적 적대 네트워크

대부분의 조건부 생성 작업은 단일 조건적 맥락에서 다양한 출력을 기대합니다. 그러나 조건부 생성 적대 신경망(cGANs)은 종종 사전 조건 정보에만 집중하고 입력 노이즈 벡터를 무시하여 출력 다양성을 저해합니다. 최근 cGANs의 모드 붕괴 문제를 해결하기 위한 시도들은 주로 특정 작업에 국한되며 계산적으로 비용이 많이 듭니다. 본 연구에서는 이러한 모드 붕괴 문제를 해결하기 위해 간단하면서도 효과적인 정규화 항을 제안합니다. 제안된 방법은 생성된 이미지 간의 거리와 해당 잠재 코드 간의 거리 비율을 명시적으로 최대화함으로써, 학습 중 생성자가 더 많은 미세 모드를 탐색하도록 유도합니다. 이 모드 추구 정규화 항은 원래 네트워크 구조를 수정하지 않고도 다양한 조건부 생성 작업에 쉽게 적용할 수 있습니다. 우리는 제안된 알고리즘을 범주적 생성, 이미지-이미지 변환, 텍스트-이미지 합성 등 세 가지 조건부 이미지 합성 작업에서 다른 기준 모델들과 함께 검증하였습니다. 정성적 및 정량적 결과는 제안된 정규화 방법이 품질 손실 없이 다양성을 개선하는 데 효과적임을 입증하였습니다.