본문으로 건너뛰기

"Generative model" 태그로 연결된 3개 게시물개의 게시물이 있습니다.

생성 모델

모든 태그 보기

Generative Adversarial Networks

· 약 4분
Ian Goodfellow
Google Brain 연구원
Jean Pouget-Abadie
연구원
Mehdi Mirza
연구원
Bing Xu
연구원
David Warde-Farley
연구원
Sherjil Ozair
연구원
Aaron Courville
연구원
Yoshua Bengio
연구원

논문 정보

  • 제목: Generative Adversarial Networks
  • 저자: Ian Goodfellow (Google Brain), Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, and Yoshua Bengio (Université de Montréal)
  • 학회/저널: Communications of the ACM (Original paper in NIPS 2014)
  • 발행일: 2020-11-01
  • DOI: 10.1145/3422622
  • 주요 연구 내용: 생성자(Generator)와 판별자(Discriminator)라는 두 개의 신경망을 경쟁적으로 학습시키는 새로운 생성 모델 프레임워크를 제안함. 생성자는 실제 데이터와 유사한 가짜 데이터를 생성하고, 판별자는 실제 데이터와 가짜 데이터를 구별하도록 학습함. 이 적대적 과정을 통해 생성자는 실제 데이터의 분포를 학습하게 됨.
  • 주요 결과 및 결론: GAN은 특히 고해상도의 사실적인 이미지를 생성하는 데 있어 가장 성공적인 생성 모델 중 하나임을 입증함. 이 프레임워크는 다루기 힘든 확률 밀도 함수를 근사할 필요 없이 모델을 학습시킬 수 있다는 장점이 있음. 그러나 학습 과정의 불안정성은 여전히 해결해야 할 주요 과제로 남아있음.
  • 기여점: 기존 생성 모델의 어려움이었던 명시적 확률 밀도 추정이나 마르코프 체인 기반의 느린 샘플링 과정을 피하는, 게임 이론에 기반한 새로운 생성 모델링 접근법을 제시함. 이 적대적 학습 프레임워크는 고품질의 결과물을 생성하는 데 매우 효과적이며, 비지도 학습 분야에 큰 영향을 미침.

A Neural Algorithm of Artistic Style

· 약 4분
Leon A. Gatys
University of Tübingen 연구원
Alexander S. Ecker
연구원
Matthias Bethge
연구원

논문 정보

  • 제목: A Neural Algorithm of Artistic Style
  • 저자: Leon A. Gatys, Alexander S. Ecker, Matthias Bethge (University of Tübingen 등)
  • 학회/저널: arXiv preprint
  • 발행일: 2015-09-02
  • DOI: 10.48550/arXiv.1508.06576
  • 주요 연구 내용: 사전 훈련된 VGG-19 네트워크를 사용하여 이미지의 콘텐츠(Content)와 스타일(Style) 표현을 분리하는 방법을 제안함. 콘텐츠는 네트워크의 상위 계층 피처 맵으로 정의하고, 스타일은 여러 계층에 걸친 피처 맵 간의 상관관계(Gram 행렬)로 정의하여 두 표현을 독립적으로 제어함.
  • 주요 결과 및 결론: 사진의 콘텐츠와 명화의 스타일을 성공적으로 결합하여 높은 지각적 품질의 새로운 예술 이미지를 생성함. 이를 통해 CNN에서 콘텐츠와 스타일 표현이 분리 가능하다는 것을 입증했으며, 이는 인간의 예술 창작 및 인식 과정을 알고리즘적으로 이해하는 경로를 제시함.
  • 기여점: 최초로 자연 이미지에서 콘텐츠와 스타일을 분리하는 이미지 피처를 시연함. 예술적 이미지 생성을 위한 신경망 알고리즘을 제공했으며, 예술 및 스타일에 대한 신경과학적 연구를 위한 새로운 도구를 제시함.

Generative Adversarial Nets

· 약 5분
Ian Goodfellow
Google Brain 연구원
Jean Pouget-Abadie
연구원
Mehdi Mirza
연구원
Bing Xu
연구원
David Warde-Farley
연구원
Sherjil Ozair
연구원
Aaron Courville
연구원
Yoshua Bengio
연구원

논문 정보

  • 제목: Generative Adversarial Nets
  • 저자: Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio (Université de Montréal)
  • 학회/저널: arXiv preprint
  • 발행일: 2014-06-10
  • DOI: Not available in the provided text
  • 주요 연구 내용: 생성 모델(Generator, G)과 판별 모델(Discriminator, D)을 동시에 학습시키는 적대적 과정(adversarial process) 프레임워크를 제안함. 생성자는 실제 데이터와 유사한 데이터를 생성하도록 학습하고, 판별자는 주어진 데이터가 실제인지 생성된 것인지 구별하도록 학습하며, 두 모델은 서로 경쟁하며 성능을 향상시킴.
  • 주요 결과 및 결론: 제안된 프레임워크는 이론적으로 생성자가 실제 데이터 분포를 완벽하게 복제(pg=pdatap_g = p_{data})할 때 유일한 해가 존재함을 증명함. MNIST, TFD, CIFAR-10 데이터셋에 대한 실험을 통해 생성된 샘플의 질적, 양적 평가를 수행하여 프레임워크의 잠재력을 입증함.
  • 기여점: 기존 생성 모델들의 주요 난관이었던 다루기 힘든 확률 계산(intractable probabilistic computations) 문제를 회피함. 역전파(backpropagation)만으로 전체 시스템을 학습할 수 있으며, 학습이나 샘플 생성 과정에서 마르코프 연쇄(Markov chains)가 필요 없는 새로운 생성 모델 학습 패러다임을 제시함.