초록
조건부 이미지 생성은 클래스 레이블 정보를 이용하여 다양한 이미지를 생성하는 작업이다. 많은 조건부 생성적 적대 신경망(GAN)이 현실적인 결과를 보여주었지만, 이러한 방법들은 이미지 임베딩과 해당 레이블 임베딩 간의 쌍방향 관계(데이터-클래스 관계)를 조건부 손실로 고려한다. 본 논문에서는 조건부 대비 손실을 활용하여 동일 배치 내 여러 이미지 임베딩 간의 관계(데이터-데이터 관계)뿐만 아니라 데이터-클래스 관계를 동시에 고려하는 ContraGAN을 제안한다. ContraGAN의 디스커리미네이터는 주어진 샘플의 진위를 판별하며, 학습 이미지 간의 관계를 학습하기 위해 대비 목적 함수를 최소화한다. 동시에 생성기는 디스커리미네이터를 속이기 위한 현실적인 이미지를 생성하면서도 낮은 대비 손실을 가지도록 노력한다. 실험 결과, ContraGAN은 Tiny ImageNet 및 ImageNet 데이터셋에서 각각 기존 최고 성능 모델보다 7.3%, 7.7% 높은 성능을 달성하였다. 또한, 대비 학습이 디스커리미네이터의 과적합을 완화하는 데 기여함을 실험적으로 입증하였다. 공정한 비교를 위해, 우리는 PyTorch 라이브러리를 사용하여 12개의 최첨단 GAN 모델을 재구현하였다. 소프트웨어 패키지는 https://github.com/POSTECH-CVLab/PyTorch-StudioGAN 에서 제공된다.