개요
이를 통해 무작위 출력을 얻는 대신 네트워크가 생성하는 것을 제어할 수 있습니다.
심층 분석
표준 GAN은 임의의 노이즈를 이미지로 변환하지만 결과에 대해서는 알려주지 않습니다. 2014년 Mirza와 Osindero가 제안한 조건부 GAN은 라벨 y의 생성을 조절하여 이 문제를 해결합니다. 두 네트워크 모두 y를 수신합니다. 생성기는 노이즈를 레이블과 결합하여 일치하는 이미지를 생성하는 반면, 판별기는 이미지가 현실적이고 레이블과 일치하는지 판단합니다. 숫자 레이블이 있는 MNIST에서 훈련하면 구체적으로 '7'을 요청할 수 있습니다. 조건화 신호는 원-핫 클래스 벡터, 임베딩, 속성 세트 또는 다른 이미지일 수 있습니다. 조정 생성에 대한 이러한 아이디어는 텍스트-이미지 및 이미지-이미지 시스템을 가능하게 하는 기반입니다.
실제 구현
임의의 숫자가 아닌 요청 시 특정 손으로 쓴 숫자 또는 객체 클래스 생성
나이, 헤어스타일, 안경, 표정 등 선택한 속성으로 얼굴을 합성합니다.
캡션이 생성된 그림을 조건으로 하는 초기 텍스트-이미지 파이프라인 지원
훈련 세트에서 과소대표된 카테고리를 강화하기 위해 클래스 균형을 맞춘 합성 데이터 생성
조건부 GAN의 미래
조건부 생성은 이제 기본 기대 사항입니다. 사용자는 자신이 얻는 것을 지정하기를 원합니다. 레이블 조절 아이디어는 Stable Diffusion과 같은 확산 모델의 교차 주의를 통한 풍부한 텍스트 조절과 가장자리, 깊이 또는 포즈를 사용하는 ControlNet 스타일 공간 조절로 일반화되었습니다. 미래의 시스템은 텍스트, 스케치, 오디오 및 3D 제약 조건을 혼합하는 등 훨씬 더 유연하고 다중 모드 조건을 수용하는 동시에 출력이 지침의 모든 부분을 얼마나 충실하게 준수하는지 개선할 것입니다.
실천에 옮기기
왜 중요한가요?
- 속도와 규모. Visual AI는 대규모 검사, 감지 및 태그 지정 작업을 자동화할 수 있습니다.
- 빌드 선택. 크리에이티브 팀은 수동 수정 횟수를 줄여 컨셉의 프로토타입을 더 빠르게 제작할 수 있습니다.
- 팀과 워크플로우. 이전에는 처리하기 어려웠던 이미지 및 비디오 신호를 작업에 사용할 수 있습니다.
조심하세요
- 출처가 불분명할 경우 이미지 권리 및 동의는 법적 위험이 될 수 있습니다.
- 모델 성능은 조명, 인구통계, 환경에 따라 달라질 수 있습니다.
- 신뢰도 임계값을 모니터링하지 않으면 거짓양성이 발견되지 않을 수 있습니다.
다음 단계
- 정밀도, 재현율, 오류 비용에 대한 허용 기준을 정의합니다.
- 실제 생산 조건과 일치하는 데이터로 테스트합니다.
- 신뢰도가 낮거나 영향력이 큰 예측에 대해 인적 검토를 추가합니다.
- 모델 드리프트를 추적하고 카메라 또는 데이터 세트가 변경된 후 재검증합니다.
계속 탐색하세요
무료 뉴스레터
일일 AI 브리핑 받기
매주 평일 아침마다 3개의 검증된 AI 스토리를 일반 영어로 작성합니다. 무료이며, 광고 없음.
매주 평일마다 한 번 이메일을 받습니다. 한 번 클릭으로 구독 해지. 주소를 판매하거나 공유하지 않습니다.
자신을 테스트해 보세요
Take the Conditional GANs quiz
모든 답변에 즉각적인 피드백과, 과정을 통과하면 검증 가능한 ID가 있는 공유 가능한 인증서를 제공합니다.
무료 AI 교육을 지원합니다. AI Understanding는 501(c)(3) 비영리 단체입니다 — 광고 없음, 유료 장벽 없음, 영원히. 기부하기
자주 묻는 질문
조건부 GAN이란 무엇입니까?
조건부 GAN(cGAN)은 클래스 레이블이나 텍스트와 같은 추가 정보를 생성기와 판별자 모두에 제공하여 일반 GAN을 확장합니다. 이를 통해 무작위 출력을 얻는 대신 네트워크가 생성하는 것을 제어할 수 있습니다.
조건부 GAN과 표준 GAN의 주요 차이점은 무엇입니까?
조건부 GAN은 생성기와 판별자 모두에 조건 신호(예: 레이블)를 추가하므로 생성되는 내용을 지정할 수 있습니다.
레이블이 지정된 숫자로 훈련된 cGAN에서 일반 GAN이 할 수 없는 작업은 무엇입니까?
생성은 레이블에 따라 조건이 지정되므로 생성기에 무작위 출력 대신 특정 클래스를 요청할 수 있습니다.
cGAN 판별자는 이미지가 실제처럼 보이는지 여부 외에 무엇을 확인해야 합니까?
판별자는 조건과 일치하지 않는 사실적으로 보이는 이미지에 불이익을 주어 생성자가 레이블을 따르도록 합니다.
발생기에 조절 신호를 공급하는 일반적인 방법은 무엇입니까?
간단하고 일반적인 접근 방식은 레이블(종종 원-핫 또는 임베딩)을 생성기의 노이즈 벡터에 연결하는 것입니다.
조건부 GAN은 이후 어떤 기능의 토대를 마련했습니까?
조건을 통한 조정 생성은 정확히 텍스트-이미지 및 이미지-이미지 시스템이 의존하는 것입니다.