슬라이스 워스테인 생성 모델

생성 모델링에서 와瑟슈타인 거리(Wasserstein Distance, WD)는 생성된 데이터 분포와 실제 데이터 분포 사이의 차이를 측정하는 유용한 지표로 부각되었습니다. 그러나 고차원 분포의 WD를 근사하는 것은 어려운 문제입니다. 이에 반해, 슬라이스 와세르슈타인 거리(Sliced Wasserstein Distance, SWD)는 고차원 분포를 여러 개의 일차원 주변 분포로 분해하므로 더 쉽게 근사할 수 있습니다.본 논문에서는 원시 SWD와 듀얼 SWD의 새로운 근사 방법을 제안합니다. 기존의 SWD 근사 방법과 달리 많은 수의 임의 투영(random projections)을 사용하지 않고, 대신 끝단-to-끝단(end-to-end) 딥러닝 방식으로 적은 수의 매개변수화된 직교 투영(orthogonal projections)을 사용하여 SWD를 근사합니다. 제안된 SWD 근사 방법의 구체적인 응용 사례로, 현대적인 생성 프레임워크인 오토인코더(Auto-Encoders, AE)와 생성적 적대 네트워크(Generative Adversarial Networks, GAN)에 적용할 수 있는 두 가지 유형의 미분 가능한 SWD 블록을 설계하였습니다.실험 결과, 제안된 생성 모델이 표준 이미지 합성 벤치마크에서 우수한 성능을 보이는 것뿐만 아니라, 비지도 학습 방식으로 도전적인 고해상도 이미지 및 동영상 생성에서도 최고 수준의 성능을 발휘함을 입증하였습니다.