DuelGAN: 두 개의 분류기 간의 대결이 GAN 학습을 안정화한다

이 논문에서는 생성적 적대 신경망(GAN)의 안정성 향상과 모드 붕괴(mode collapse) 완화를 위해 DuelGAN을 제안한다. 기존의 Vanilla GAN에서 생성자 $G$와 판별자 $D_1$ 간의 이중 플레이어 미니맥스 게임 구조를 기반으로, 추가로 동료 판별자 $D_2$를 도입하여 미니맥스 게임 구조를 확장한다. 기존의 이중 판별자 기법과 유사하게, $D_1$와 $D_2$의 주된 역할은 생성 샘플과 진짜 샘플을 구분하는 것이며, 생성자는 두 판별자 모두를 속일 수 있는 고품질의 샘플을 생성하려는 목표를 가진다. 그러나 기존 방법들과 달리, $D_1$과 $D_2$ 간에 추가적인 경쟁 게임을 도입함으로써 두 판별자의 일치를 억제하고, 생성 샘플의 다양성 수준을 높이는 효과를 얻는다. 이 특성은 $D_1$과 $D_2$가 너무 빠르게 수렴하는 것을 방지함으로써 초기 모드 붕괴 문제를 완화한다. 본 연구는 $G$, $D_1$, $D_2$ 간에 형성된 미니맥스 게임의 균형 상태에 대한 이론적 분석을 제공하며, DuelGAN의 수렴 특성과 미니맥스 게임의 안정성에 대해서도 논의한다. 특히 DuelGAN는 레이블 없는 비지도 학습 설정에서 작동하며, $D_1$과 $D_2$ 간의 대결 과정에서 추가적인 레이블 정보가 필요하지 않다는 점이 특징이다. 합성 데이터셋 및 실제 이미지 데이터셋(MNIST, Fashion MNIST, CIFAR-10, STL-10, CelebA, VGG, FFHQ)을 대상으로 한 실험 결과는 DuelGAN이 경쟁적 기준 모델들보다 더 다양한 고품질의 샘플을 생성하는 데 뛰어난 성능을 보였으며, 계산 비용은 거의 증가하지 않는다는 것을 입증한다.