목록InfoGAN (3)
On the journey of
[논문읽기] CGAN; Conditional Generative Adversarial Nets
CSE 종료 후 GAN (생성형 모델) 자체에 대한 공부를 조금씩 더 진행하고 있다 :) 이건 그 연장선의 첫 타자가 되었던 논문. Original Paper ) https://arxiv.org/pdf/1411.1784.pdf Abstract & Introduction Conditional GAN ? 간단히 말하자면, GAN의 조건부 버전 (simply feeding the data ‘y’) class label에 맞는 MNIST 이미지 생성 가능 multi-modal model & image tagging에 어떻게 응용 가능할 지 소개 **** multi modal model?** 서로 다른 형태의 정보로 이루어져 뚜렷한 특성이 구분되는 데이터(ex 영상, 음성, 텍스트)를 사용하여 학습된 모델 GAN..
[CSE URP] InfoGAN 논문읽기 (2) Background.2 ~ End
Mutual Information for Inducing Latent Codes - 2 목표) 기존 GAN에서 Semantic 정보를 담당하는 Latent 벡터를 별도로 분류하여 Semantic 정보를 컨트롤할 수 있는 새로운 GAN 모델 개발 배경 일반적인 GAN은 하나의 Noise vector z로 가짜를 생성 ex) Mnist 숫자이미지 생성 가능, but 각도/굵기 등의 semantic 정보 컨트롤은 불가능 이러한 정보들이 학습 시 고려되지 않아 z에 복잡하게 얽혀져 있음 제안 InfoGAN은 위 문제를 해결하기 위해 두가지 Input vector를 사용: z&c z: 일반적인 GAN에서 사용하는 noise vector c: semantic 정보를 컨트롤 하기 위한 추가 벡터 P(c1,c2,.....
[CSE URP] InfoGAN 논문 읽기 (1) Abstract ~ Experiment 1
Original Paper) InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets arXiv link ) https://arxiv.org/pdf/1606.03657.pdf Abstract 💡 InfoGAN GAN + Information-theoretic(정보 이론) 정보 이론의 아이디어를 GAN에 붙여 확장시킨 모델 완전한 비지도 방식으로 **Disentanlged representations(분리된 표현)**을 학습할 수 있다. 이를 통해 InfoGAN은 아래와 같은 데이터에서 유의미한 특성을 분리해냈다. MNIST 데이터 세트의 숫자의 각도, 너비 3D 렌더링된 이미지에서의..