GAN이란 (이미지 숫자 생성)
위 이미지들은 모두 에서 만든 Stable Diffusion 모델로 제작한 그림입니다. 각각 이미지들을 살펴보시면 몇몇 AI그림임을 추측할 수 있는 부분이 존재합니다. 이같이 AI 그림들에 관해 여러가지 할 이야기가 있지만, 해당 포스팅의 주제를 벗어나므로 추후 기회가 된다면 이야기해 보고자 합니다.
GAN 모델이란?
위에서 숫자를 rarr 이미지로 생성하기 위해서는 그냥 보편적인 CNN 학습을 수행해도 어느정도 가능할 테지만. 학습하는데에 여러 문제가 존재합니다. 위 그림과 몇 픽셀이 다른 이미지가 출력되면 해당 이미지는 4 가 아닌가? 4가 맞다면 어떤 근거로 해당 이미지를 4로 판단할 수 있을것인가? 4가 아니라면 어떤 근거로 해당 이미지를 4가 아니라고 판단할 수 있을것인가? 2,3 을 판단하는데에 있어서 사람이 개입하면 안된다 위와같은 문제로 인해 2014년에 합니다.
해당 논문에서는 범죄자와 범죄를 막는 경찰 에 빗대어 GAN을 설명합니다.
GAN 모델의 시작
아마 모든 AI 연구자, 학생들은 MNIST 분류기를 통해 28 x 28 픽셀의 손글씨를 인식하는 CNN 모델을 제작해 본 경험이 있을것입니다. 여기서 우리는 CNN 모델을 활용하여 숫자가 쓰여진 28 x 28 픽셀의 형상을 보곤 어떤 숫자인지 지향적인 인공지능을 제작하였습니다. 위 그림의 정답은 차례대로 5,0,4,1,9,2,1,3,1 이 될 것입니다. 여기서 재미있는 발상이 떠오릅니다. 그걸 반대로 할 순 없을까? 이미지를 토대로 rarr 숫자를 추출하는게 가능하다면 숫자를 토대로 rarr 이미지를 생성할 수는 없을까? GAN은 이 발상부터 시작합니다.
최근 들어서 생성형 인공지능 AI가 대두되고 있고 특히 이미지 제작 같은 영역에서 대부분의 모델들은 GAN 을 뿌리로 두고 있습니다. 이같이 GAN은 사실 기초 원리가 LSTM이나, Transformer 와 같은 Recurrency 계열 모델들보다. 쉽다고 생각하기에 쉽게 배울 수 있을것입니다. 다만 기초 원리만 쉽지 학습시키기엔 훨신 빡세다. 그리고 지금까지 맛본 봐와 같이 순수 GAN은 성능이 꽤 떨어진다. 이같이 성능 문제점을 개선하기 위해서 책에서도 여러가지 기술들에 관해 언급 해 주고있으며, 웹상을 뒤져보시면 여러가지 최적화 기법들이 많이 있습니다.
다만 이번 포스팅의 목적이 GAN이 어떤 내용인 것인지 소개하는데에 있으므로 여기까지 작성하도록 하겠습니다.