초록
우리는 동시에 추론(재구성)과 합성(샘플링)을 수행하는 생성형 오토인코더의 성능을 향상시키기 위해 이중 모순적 대조 손실(dual contradistinctive losses)을 도입한 새로운 생성형 오토인코더 모델을 제안한다. 본 연구에서 제안하는 모델은 이중 모순적 대조 생성형 오토인코더(Dual Contradistinctive Generative Autoencoder, DC-VAE)로, 개별 인스턴스 수준의 판별 손실(재구성/합성 시 인스턴스 수준의 충실도 유지)과 집합 수준의 적대적 손실(재구성/합성 시 집합 수준의 충실도 촉진)을 결합한 이중 모순적 대조 손실을 통합하였다. DC-VAE는 32×32, 64×64, 128×128, 512×512 등 다양한 해상도에서 광범위한 실험 결과를 보고한다. VAE 내부에서 작동하는 두 가지 모순적 대조 손실은 DC-VAE에서 조화롭게 작용하여 아키텍처 변경 없이 기준 VAE 모델 대비 상당한 정성적·정량적 성능 향상을 달성하였다. 이미지 재구성, 이미지 합성, 이미지 보간, 표현 학습 등 다양한 측면에서 최신 기술 수준 또는 경쟁력 있는 성능을 기록하였다. DC-VAE는 컴퓨터 비전 및 머신러닝 분야에서 다양한 후속 작업에 적용 가능한 일반 목적의 VAE 모델이다.