생성적 적대 신경망(GAN)은 학습 데이터 세트와 유사한 새로운 데이터를 생성하도록 설계된 딥 러닝 프레임워크의 일종입니다. 2014년 Ian Goodfellow와 그의 동료들이 처음 소개한 GAN은 경쟁 환경에서 함께 훈련되는 두 개의 신경망, 즉 제너레이터와 판별자로 구성됩니다. 제너레이터는 새로운 데이터 인스턴스를 생성하고, 판별기는 데이터의 진위 여부를 평가합니다. 이 두 네트워크 간의 상호 작용은 제너레이터가 점점 더 사실적인 데이터를 생성하도록 유도하여 GAN을 합성 데이터 생성을 위한 강력한 도구로 만듭니다.
GAN의 핵심 아이디어는 생성자와 판별자 간의 적대적 프로세스입니다. 생성자의 목표는 판별자가 실제 데이터와 구별할 수 없는 데이터를 생성하는 것입니다. 판별자의 목표는 수신한 데이터가 실제 데이터인지 아니면 생성된 데이터인지를 정확하게 식별하는 것입니다. 이러한 역학 관계는 시간이 지남에 따라 두 네트워크가 모두 개선되는 피드백 루프를 만듭니다.
훈련 과정은 생성기가 무작위 데이터를 생성하는 것으로 시작됩니다. 그런 다음 판별기는 훈련 데이터 세트의 실제 데이터와 생성기의 가짜 데이터 모두에 대해 훈련을 받습니다. 판별기는 실제 데이터와 가짜 데이터를 구별하는 방법을 학습하여 생성기에 피드백을 제공합니다. 생성기는 이 피드백을 사용하여 판별자를 속일 가능성이 더 높은 데이터를 생성하여 출력을 개선합니다. 이 과정은 반복적으로 계속되며, 각 네트워크는 더 나은 성능을 내도록 서로를 밀어줍니다.
생성기는 임의의 노이즈를 입력으로 받아 이미지, 텍스트 또는 오디오와 같은 데이터 샘플로 변환하는 신경망입니다. 제너레이터의 아키텍처는 일반적으로 이미지 생성의 경우 전치 컨볼루션과 같은 업샘플링 기법을 사용하여 초기 노이즈에서 원하는 출력을 점진적으로 구축합니다.
판별자는 이진 분류기 역할을 하는 또 다른 신경망입니다. 판별기는 실제 또는 생성된 데이터 샘플을 입력으로 받아 입력이 실제일 확률을 출력합니다. 판별기는 예측의 정확도를 극대화하는 것을 목표로 표준 지도 학습 기법을 사용하여 훈련됩니다.
GAN은 다양한 영역에서 활용되며 그 다재다능함과 잠재력을 보여주고 있습니다. 다음은 몇 가지 주목할 만한 사례입니다:
GAN의 가장 인기 있는 응용 분야 중 하나는 이미지 생성입니다. GAN은 얼굴, 사물, 장면을 매우 사실적인 이미지로 만들 수 있습니다. 예를 들어, NVIDIA 의 StyleGAN은 현실에 존재하지 않는 사람 얼굴의 이미지를 놀라울 정도로 실물처럼 생성하는 데 사용되었습니다. 이 기능은 엔터테인먼트, 예술, 디자인 등의 분야에 영향을 미칩니다.
GAN은 새로운 합성 데이터 샘플을 생성하여 기존 데이터 세트를 보강하는 데 사용할 수 있습니다. 이는 대량의 실제 데이터를 수집하는 것이 어렵거나 비용이 많이 드는 시나리오에서 특히 유용합니다. 예를 들어, 의료 영상 분야에서 GAN은 희귀 질환의 합성 이미지를 생성하여 보다 강력한 진단 모델을 훈련하는 데 도움을 줄 수 있습니다.
GAN은 한 도메인의 이미지를 다른 도메인의 이미지로 변환하는 이미지 간 변환을 수행할 수 있습니다. 예를 들어 사진을 특정 아티스트의 스타일의 그림으로 변환하거나 위성 이미지를 지도 보기로 변환하는 데 CycleGAN이 사용되었습니다.
GAN은 데이터 생성을 위한 강력한 도구이지만, 생성 모델의 유일한 유형은 아닙니다. 다른 주목할 만한 생성 모델로는 변형 자동 인코더(VAE)와 자동 회귀 모델도 있습니다.
VAE는 확률론적 접근 방식을 사용하여 데이터를 생성하는 또 다른 종류의 생성 모델입니다. GAN과 달리 VAE는 입력 데이터를 잠재 공간으로 인코딩한 다음 원래 데이터 공간으로 다시 디코딩합니다. VAE는 이미지 노이즈 제거 및 이상 감지 등의 작업에 자주 사용됩니다. VAE는 GAN에 비해 더 부드럽지만 때로는 흐릿한 이미지를 생성하는 경향이 있지만, 일반적으로 훈련하기가 더 쉽고 모드 붕괴가 덜 발생합니다.
GPT(사전 학습된 생성형 트랜스포머)와 같은 자동 회귀 모델은 한 번에 한 요소씩 순차적으로 데이터를 생성합니다. 이러한 모델은 텍스트 생성에 특히 효과적이며 일관성 있고 문맥과 연관성이 높은 텍스트를 생성하는 데 사용되어 왔습니다. GAN과 달리 자동 회귀 모델은 적대적 프로세스를 포함하지 않고 이전 요소를 기반으로 시퀀스에서 다음 요소를 예측하는 데 중점을 둡니다.
GAN은 인상적인 기능에도 불구하고 몇 가지 과제를 안고 있습니다:
GAN 분야는 과제를 해결하고 응용 분야를 확장하기 위한 지속적인 연구와 함께 빠르게 진화하고 있습니다. 향상된 훈련 기법, 새로운 아키텍처, GAN의 강점을 다른 생성 모델과 결합한 하이브리드 모델과 같은 혁신은 보다 안정적이고 다양한 GAN을 위한 길을 열어가고 있습니다.
Ultralytics 블로그에서 컴퓨터 비전과 제너레이티브 AI의 최신 발전 소식을 확인하세요. 관련 용어에 대해 자세히 알아보려면 Ultralytics' AI 및 컴퓨터 비전 용어집을 참조하세요.
.png)