트윈 보조 분류기 GAN

최근 몇 년 동안 조건부 생성 모델은 큰 발전을 이루었다. 그 중에서도 대표적인 조건부 모델로는 보조 분류기 GAN(Auxiliary Classifier GAN, AC-GAN)이 있다. 이 모델은 GAN의 손실 함수에 보조 분류기를 추가함으로써 매우 구분력 있는 이미지를 생성한다. 그러나 AC-GAN의 생성 샘플 다양성은 클래스 수가 증가할수록 감소하는 경향이 있다. 본 논문에서는 이 낮은 다양성 문제의 원인을 이론적으로 규명하고, 이를 해결하기 위한 실용적인 방안을 제안한다. 우리는 AC-GAN 내부의 보조 분류기가 완벽한 분리성(perfect separability)을 강제한다는 점을 지적하며, 이는 클래스 분포의 지지 집합이 상당한 겹침을 보일 경우 부정적인 영향을 미친다는 것을 보여준다. 이를 해결하기 위해, GAN의 생성자와 판별자와 상호작용하는 새로운 플레이어인 ‘이중 보조 분류기’를 도입한 TAC-GAN(Twin Auxiliary Classifiers Generative Adversarial Net)을 제안한다. 이론적으로 TAC-GAN이 생성 데이터 분포와 실제 데이터 분포 간의 분산을 효과적으로 최소화할 수 있음을 입증한다. 광범위한 실험 결과를 통해 TAC-GAN이 시뮬레이션된 데이터에서 진정한 데이터 분포를 성공적으로 재현함과 동시에, 실제 데이터셋에서 조건부 이미지 생성의 다양성을 크게 향상시킨다는 것을 확인할 수 있었다.