초록
최근 몇 년간 조건부 생성 모델은 놀라운 발전을 이루어냈습니다. 이 중 하나로 인기 있는 조건부 모델은 보조 분류기 GAN (AC-GAN)입니다. AC-GAN은 GAN의 손실 함수에 보조 분류기를 추가하여 매우 구별력 있는 이미지를 생성합니다. 그러나 AC-GAN이 생성하는 샘플의 다양성은 클래스 수가 증가함에 따라 감소하는 경향이 있어, 대규모 데이터에서의 활용성이 제한됩니다. 본 논문에서는 이론적으로 저다양성 문제의 원인을 파악하고, 이를 해결하기 위한 실용적인 방법을 제안합니다. 우리는 AC-GAN의 보조 분류기가 완벽한 분리성을 강제하는데, 이는 클래스 분포의 지지 집합이 크게 겹치는 경우 불리하다는 것을 보여줍니다. 이러한 문제를 해결하기 위해, 우리는 GAN 내에서 다른 플레이어(생성기와 판별기)와 상호 작용하는 새로운 플레이어를 도입한 Twin Auxiliary Classifiers Generative Adversarial Net (TAC-GAN)을 제안합니다. 이론적으로, TAC-GAN이 생성된 데이터 분포와 실제 데이터 분포 사이의 차이를 효과적으로 최소화할 수 있음을 입증하였습니다. 광범위한 실험 결과는 우리의 TAC-GAN이 시뮬레이션 데이터에서 실제 데이터 분포를 성공적으로 재현하며, 실제 데이터셋에서 클래스 조건부 이미지 생성의 다양성을 크게 향상시킬 수 있음을 보여줍니다.