조건부 생성적 적대 신경망(Conditional Generative Adversarial Networks, cGAN)은 GAN에 클래스 정보를 통합함으로써 현실적인 이미지를 생성한다. 대표적인 cGAN 중 하나인 보조 분류기 GAN(Auxiliary Classifier GAN, ACGAN)은 소프트맥스 교차 엔트로피 손실을 사용하지만, 데이터셋 내 클래스 수가 증가할수록 ACGAN의 학습이 어렵다는 점이 널리 알려져 있다. 또한 ACGAN은 다양성이 부족하고 쉽게 구분 가능한 샘플을 생성하는 경향이 있다. 본 논문에서는 ACGAN의 두 가지 주요 문제를 해결하기 위한 두 가지 새로운 접근법을 제안한다. 첫째, 분류기 내에서 기울기 폭주(gradient exploding)가 초기 학습 단계에서 불리한 붕괴(collapse)를 유발할 수 있음을 규명하고, 입력 벡터를 단위 초구면(unit hypersphere)에 투영하는 방식으로 이 문제를 해결할 수 있음을 제시한다. 둘째, 클래스 레이블이 부여된 데이터셋 내의 관계 정보를 효과적으로 활용하기 위해 데이터-데이터 교차 엔트로피 손실(Data-to-Data Cross-Entropy loss, D2D-CE)을 제안한다. 이러한 기반 위에서, 재시작된 보조 분류기 생성적 적대 신경망(Rebooted Auxiliary Classifier Generative Adversarial Network, ReACGAN)을 제안한다. 실험 결과, ReACGAN은 CIFAR10, Tiny-ImageNet, CUB200, ImageNet 등 다양한 데이터셋에서 최신 기술 수준(SOTA)의 이미지 생성 성능을 달성하였다. 또한, ReACGAN이 미분 가능한 증강(differentiable augmentations)에 유리하게 작용하며, D2D-CE가 StyleGAN2 아키텍처와 잘 조화됨을 확인하였다. 본 논문에서 제시하는 대표적 cGAN 모델들과 모든 실험을 구현한 모델 가중치 및 소프트웨어 패키지는 https://github.com/POSTECH-CVLab/PyTorch-StudioGAN 에 공개되어 있다.