한정된 데이터를 활용한 생성적 적대 신경망 훈련

적은 데이터로 생성적 적대 신경망(GAN)을 훈련할 경우 일반적으로 판별자 과적합(discriminator overfitting)이 발생하여 훈련이 발산하는 경향이 있다. 본 연구에서는 제한된 데이터 환경에서 훈련을 크게 안정화하는 적응형 판별자 증강(adaptive discriminator augmentation) 기법을 제안한다. 이 방법은 손실 함수나 네트워크 아키텍처의 변경 없이도 작동하며, 새로운 GAN을 처음부터 훈련하는 경우와 기존 GAN을 다른 데이터셋에 대해 미세조정(fine-tuning)하는 경우 모두에 적용 가능하다. 여러 데이터셋에서의 실험을 통해, 이제 수천 개의 훈련 이미지만으로도 우수한 성능을 달성할 수 있음을 입증하였다. 이는 종종 StyleGAN2의 성능을 동등하게 이끌어내며, 이미지 수가 10배 이상 적은 경우에도 가능하다. 이 기법은 GAN의 새로운 응용 분야를 여는 데 기여할 것으로 기대된다. 또한, 널리 사용되는 CIFAR-10 데이터셋이 실질적으로 제한된 데이터 벤치마크임을 발견하였으며, 기존 FID 기록인 5.59를 2.42로 개선하였다.