[iitp] 스스로 학습하는 인공지능 GAN, 현재 200여 개 파생기술 연구중

 

 

 

 

*** 출처: [iitp] 스스로 학습하는 인공지능 GAN, 현재 200여 개 파생기술 연구중

*** 문서:

file9040122101895247310-182404.pdf

 

 

 

 

 

■ 실제 디자인, 회화, 음악, 문학, 영화 등 예술과 창작 영역에 AI의 침투 소식은 이제 더이상 낯설지 않은데, 이들 소식에 언급되는 AI는 수십가지로 변형되고 있는 'GAN' 기술임

 

 

- 갠 신경망은 "대립쌍을 이루는(Adversarial)" 두 개의 네트워크, 즉 이미지를 만드는 '생성자(Generator)'와 이미지가 진짜인지 가짜인지 감별하는 '감식자(Discriminator)'를 서로 경쟁시켜 생성자가 감별자가 구분하기 어려운 진짜 같은 가짜를 만들게 하는 것임

 

 

○ DCGAN(Deep Convolutional Generative Adversarial Networks)

 

- 엔비디아

 

- 어떤 객체라도 AI가 개념만 듣고 현실과 똑같이 그려낼 수 있음을 보여주었음

 

 

DCGAN - How does it work? from Etsuji Nakai

 

 

 

 

○ StackGAN(Stacked Generative Adversarial Networks)

 

- 입력된 문장과 단어를 해석해 이미지를 생성

 

 

 

○ 3D-GAN

 

- 입체 모델 생성 네트워크

 

- 가구 사진을 통해 교육시키면 3D-GAN은 3차원으로 가구를 그릴 수 있게됨

 

 

 

3D Multi Object GAN from Yu Nishimura

 

 

 

 

○ CycleGAN

 

- AI가 자율적으로 학습하여 이미지의 스타일을 다른 스타일로 변환시키는 기술

 

- 심층신경망이 화가의 스타일을 습득하여 그 화풍으로 그림을 그리는 기술은 화가의 작품이나 풍경 사진 데이터 중 어느 한쪽 혹은 양쪽의 데이터가 거의 없는 경우, 작품과 사진이 "짝을 짓게 하는 교육(Paired Training)"을 어떻게 실행할 수 있을 것인가가 큰 과제임

 

- 이에 비해 CycleGAN(Cycle-Consistent Adversarial Networks)는 쌍을 이루는 교육 데이터가 필요 없는, 즉 작품-사진의 쌍을 지을 필요 없이, 모네의 유화나 풍경 사진을 각각 독자적으로 사용하여 네트워크를 교육 시키는 짝 짓지 않는 교육(Unpaired Training) 기법 임

 

- 교사 없는 학습(Unsupervised Learning)으로 이어질 수 있는 기법으로 기대되고 있음

 

 

 

About Unsupervised Image-to-Image Translation from Mehdi Shibahara

 

 

 

 

○ DiscoGAN

 

- AI가 자율적으로 서로 다른 객체 그룹 사이의 특성을 파악하여 양자 사이의 관계를 파악할 수 있는 기술임

 

- 먼저 DiscoGAN에 가방과 신발이라는 두 그룹의 이미지를 각각 입력해 각자의 특성을 가르치고 나면 이미지에 태그(가방이나 신발 등의 이름)가 붙지 않아도 알고리즘이 양자의 관계를 스스로 파악함

 

 

 

DiscoGAN - Learning to Discover Cross-Domain Relations with Generative Adversarial Networks from Taeksoo Kim

 

 

 

■ GAN의 위험성을 지적하는 목소리도 높아지고 있는데, 지금까지도 페이스북의 가짜 사진이 문제가 되었지만 GAN의 등장으로 그 위험성이 더 높아짐에 따라 이제 뉴스에 게재되는 사진이나 비디오 조차도 신뢰할 수 있는가 하는 질문이 제기되고 있음