제한된 데이터를 활용한 생성적 사전 지식을 통한 스타일화된 얼굴 스케치 추출

얼굴 스케치는 사람의 정체성을 간결하게 표현하는 방법이자 예술적 의도를 나타내는 수단입니다. 최근 몇 가지 기술이 다양한 스타일의 스케치 추출을 가능하게 하였지만, 이들은 일반적으로 얻기 어려운 대량의 데이터에 의존합니다. 본 연구에서는 고해상도 스타일화된 스케치를 얼굴 이미지에서 추출하기 위한 방법인 StyleSketch를 제안합니다. 사전 학습된 StyleGAN의 깊은 특징들로부터 얻은 풍부한 의미론적 정보를 활용하여, 16개의 얼굴 이미지와 해당 스케치 이미지 쌍으로 스케치 생성기를 학습시킬 수 있습니다. 스케치 생성기는 부분 기반 손실 함수와 두 단계 학습을 통해 빠른 수렴과 고품질의 스케치 추출을 달성합니다. 일련의 비교 실험을 통해 StyleSketch가 고해상도 추상적인 얼굴 스케치 추출 작업에서 기존 최신 스케치 추출 방법과 소수 샷 이미지 적응 방법보다 우수함을 입증하였습니다. 또한 StyleSketch의 다재다능성을 보여주기 위해 다른 영역으로 확장 사용하고 의미론적 편집의 가능성도 탐구하였습니다. 프로젝트 페이지는 다음 링크에서 확인할 수 있습니다: https://kwanyun.github.io/stylesketch_project.翻譯後的內容如下：얼굴 스케치는 사람의 정체성을 간결하게 표현하는 방법이자 예술적 의도를 나타내는 수단입니다. 최근 몇 가지 기술이 다양한 스타일의 스케치 추출을 가능하게 하였지만, 이들은 일반적으로 얻기 어려운 대량의 데이터에 의존합니다. 본 연구에서는 고해상도 스타일화된 스케치를 얼굴 이미지에서 추출하기 위한 방법인 StyleSketch(스타일스케치)를 제안합니다. 사전 학습된 StyleGAN(스타일GAN)의 깊은 특징들로부터 얻은 풍부한 의미론적 정보를 활용하여, 16개의 얼굴 이미지와 해당 스케치 이미지 쌍으로 스케치 생성기를 학습시킬 수 있습니다. 스케치 생성기는 부분 기반 손실 함수와 두 단계 학습을 통해 빠른 수렴과 고품질의 스케치 추출을 달성합니다. 일련의 비교 실험을 통해 StyleSketch가 고해상도 추상적인 얼굴 스케치 추출 작업에서 기존 최신 스케تش 추출 방법과 소수 샷 이미지 적응 방법보다 우수함을 입증하였습니다. 또한 StyleSketch의 다재다능성을 보여주기 위해 다른 영역으로 확장 사용하고 의미론적 편집(semantic editing)의 가능성도 탐구하였습니다. 프로젝트 페이지는 다음 링크에서 확인할 수 있습니다: https://kwanyun.github.io/stylesketch_project.(Note: The second paragraph is a repetition of the first one in the original text, which I have corrected to avoid redundancy.)