728x90
- 적대적 손실 (adversarial loss)을 활용하여 G(X)가 가 Y에서 온 분포와 유사하도록 X→Y 맵핑을 학습하는 게 목표
- 이건 제약이 적기 없때문에 inverse mapping을 하나 추가한다. Y→X 로 가는 것. 즉,
F(G(X))≈X 이를 강제하는 cycle consitency loss를 소핸다.
2개의 맵핑 함수가 존재한다. G는 X를 Y로, F는 Y를 X로 맵핑 시키는 함수이다. X, Y는 각각 이미지 도메인이라고 생각하면 된다.
DX는 Y에서 생성된 X가 최대한 실제 X 처럼 보이게끔 F를 조절하는 역할을 하고, DY는 반대다.
그리고 여기서 2가지 사이클 일치 손실(cylce consistency losses)이 등장하는데, 이는 translation에서 어디서 출발했든 다시 출발점으로 돌아와야 한다는 직관에 기반한다.
첫번째 forward 사이클 일치 손실은 x→G(x)→F(G(x))≈x 이고 bakward 사이클 일치 손실은 y→F(y)→G(F(y))≈y 이다.
이들을 수식으로 표현하면,
이렇게 되고, 최종 로스는 다음과 같다.
비교적 간단한데 아이디어가 상당히 신박하다.
여기서 StarGAN, FUNIT 등등이 다 만들어진거겠지.
'Data-science > 논문 읽기' 카테고리의 다른 글
[논문 읽기] DRIT ++ 코드와 함께 이해하기, 논문 설명 (0) | 2021.06.09 |
---|---|
[논문 읽기] DRIT++: Diverse Image-to-Image Translation viaDisentangled Representations 핵심만 (0) | 2021.06.08 |
[논문 읽기] Adversarial Texture Optimization from RGB-D Scans - 1 (0) | 2021.06.02 |
[딥러닝] Star gan v2 논문 읽기 (0) | 2021.05.16 |
[논문 읽기] Unsupervised Image to Image translation via pretrained stylegan2 network (2) | 2021.03.18 |