Discover Cross-Domain "Relations with Generative Adversarial Networks

최근에 머신러닝을 공부하다가 최근에 재미있는 논문을 발표했는데 제가 소개해 드릴게요.
오늘은 unsupervised image to image의 일종입니다.
"Discover Cross-Domain "Relations with Generative Adversarial Networks"
https://arxiv.org/abs/1703.05192
대충 소개하다.
※ GAN에 대한 설명을 생략할 수 있습니다. *일
지금까지 교사로서의 image to image.
"Image-to-Image Translation with Conditional Adversarial Networks"
https://phillipi.github.io/pix2pix/
사회가 떠들썩하다.
하지만 이 녀석은 문제가 하나 있다. 표기와 번거로움에 대응하는 이미지로만 배울 수 있기 때문에 데이터 집합을 준비하기가 어렵다.
이번에 소개된 GAN은 unsupervised(교사가 없어도 상당히 높은 정밀도를 낼 수 있으니 꼭 소개해 주세요.
전체 네트워크는 다음과 같습니다.

이 GAN의 소스는 Gab과 Gba를 교차 학습시켜 두 이미지 사이에서 식별하고 싶은 영역을 배울 수 있다.
새로운 난이론은 결코 나타나지 않았다.
주의해야 할 것은Generator의loss 함수는 원시 이미지와 복구 이미지 사이의 거리를 고려했다.
이전에 나타난 unsupervised계보다 통용성이 높다*2.
발표 3일 후, torchpy에 설치가 발표되었기 때문에 나도 한번 움직여 보았다.
(21000 iteration)
https://github.com/carpedm20/DiscoGAN-pytorch


교사가 없는 상황에서 이렇게 높은 정밀도를 낼 수 있다는 것은 정말 감동적이다.

총결산

이것을 사용하면 거친 그림 to선 그림 같은 데이터 집합도 간단하게 준비할 수 있다.
앞으로도 unsupevised의 image to image에 관심을 갖고 싶습니다.
*1GAN의 다음 논문도 수학적 배경을 적어 이해하기 쉽다.
https://arxiv.org/pdf/1406.2661.pdf
*2unsupervised image to image 학과에서 유명한 곳은 다음과 같은 논문을 들 수 있습니다.
1,"Learning from Simulated and Unsupervised Images through Adversarial Training"
https://arxiv.org/abs/1612.07828
2,"Unsupervised Image-to-Image Translation with Generative Adversarial Networks"
https://arxiv.org/abs/1701.02676
1 원본 이미지와refine 이미지의 거리이기 때문에 비슷한 이미지 사이에서만 어렵다고 생각합니다.
2의 통용성도 매우 높지만 나는 단지 유한한 범위 내에 있다고 생각한다.