SAN: 구분 가능한 정규화 선형층을 통한 GAN의 거리화 가능성 유도

생성적 적대망(GAN)은 최소최대(minimax) 목적을 통해 생성기와 판별기를 최적화함으로써 목표 확률 분포를 학습한다. 본 논문은 이러한 최적화 과정이 실제로 생성기의 분포가 목표 분포에 가까워지도록 하는 기울기(gradient)를 제공하는지 여부를 다룬다. 우리는 GAN의 공식화를 절단 최적 운반(sliced optimal transport) 개념과 연결함으로써, 판별기가 분포 간 거리(distance)로 작용할 수 있는 충분조건을 메트릭화 가능한 조건으로 도출한다. 더불어 이러한 이론적 결과를 활용하여, 새로운 GAN 학습 방식인 '절단 적대망(Slicing Adversarial Network, SAN)'을 제안한다. 단순한 수정만으로 기존의 다양한 GAN 아키텍처를 SAN으로 변환할 수 있다. 합성 데이터 및 이미지 데이터셋에 대한 실험을 통해 이론적 결과의 타당성과 기존 GAN 대비 SAN의 효과성을 입증하였다. 또한 SAN을 StyleGAN-XL에 적용한 결과, ImageNet 256×256 이미지에서 클래스 조건부 생성(task)에 있어 현재까지 보고된 GAN 중 최고 수준의 FID 점수를 달성하였다. 본 연구의 구현 코드는 https://ytakida.github.io/san 에서 공개되어 있다.