U-Net 기반의 적대적 생성망 (U-Net-Based Generative Adversarial Network)

서지정보

· 발행기관 : 대한전자공학회
· 수록지 정보 : 전자공학회논문지 / 58권 / 5호 / 61 ~ 67페이지
· 저자명 : 박승, 신용구

초록

적대적 생성망 (Generative adversarial network, GAN)을 통해 잡음 신호로부터 고해상도의 영상을 만드는 기술들이 활발하게 연구되고 있다. 기존 기법들의 생성자 (Generator)는 입력 잡음 신호를 여러 개의 레지듀얼 블록 (Residual block)을 통과시켜 영상을 만들고, 판별자 (Discriminator)는 만들어진 영상을 실제 영상과 분류하도록 학습된다. 일반적으로 GAN은 네트워크 구조를 바꾸기보다는 정규화 (Normalization) 또는 학습 기술을 개발하여 네트워크의 성능을 향상시켰다. 기존의 접근 방법과는 달리, 본 논문에서는 U-Net 기반의 생성자 네트워크 구조를 제안한다. 제안하는 기법은 적은 수의 네트워크 파라미터 증가에도 불구하고 기존 구조보다 우수한 영상 생성 성능을 낸다. 실험 결과는 Cifar-10, CelebA, LSUN 데이터셋을 통해 학습된 생성자가 기존 기법에서 제안된 학습자보다 고품질의 영상을 생성함을 보인다.

영어초록

Recently, generative adversarial network (GAN), which generates high-resolution images from an input random-noise vector, has been extensively studied. The traditional generator consisting of multiple residual blocks is trained to generate high-quality image, whereas discriminator is trained to distinguish between real and generated samples. To improve the performance of GAN, conventional methods suggest novel regularization techniques or training strategies rather than modifying the generator architecture. Different with the conventional approaches, we propose a novel generator architecture inspired by U-Net. The proposed method significantly improves the generative performance with marginal training overhead. Extensive experiments with various datasets including CIFAR-10, CelebA, and LSUN show that the proposed method significantly improves the performance of GAN in terms of Frechet inception distance (FID).

참고자료

· 없음