PE Notes · AI
GAN, DCGAN, Defense GAN
생성자와 판별자가 겨루는 GAN의 학습과 모드 붕괴, 합성곱으로 안정화한 DCGAN, 적대적 입력을 잠재 공간에 투영하는 Defense GAN을 구분합니다.
이전 생성 모델은 흐리거나 같은 모습만 반복하는 경우가 많았습니다. 은 가짜를 만드는 망과 가짜를 가리는 망을 서로 이기게 해, 실제 분포에 가까운 샘플을 뽑는 쪽으로 바꿨습니다. 같은 뼈대로 이미지를 안정적으로 만드는 쪽이 DCGAN이고, 그 생성자를 방어에 뒤집는 쪽이 Defense GAN입니다.
GAN — 두 망의 미니맥스
는 잠재 벡터 z를 받아 가짜 샘플 G(z)를 만듭니다. 는 실제 x와 G(z)를 보고 진짜 확률을 냅니다. 생성자는 판별자를 속이고, 판별자는 속지 않으려 합니다. 이상적으로는 판별자가 더 이상 구분하지 못하는 균형에 가깝게 갑니다.
목적의 뼈대는 min_G max_D [E log D(x) + E log(1 − D(G(z)))] 입니다. 실습에서는 한쪽이 너무 강해지면 기울기가 사라지므로, 학습률과 갱신 횟수를 맞춰 가며 번갈아 올립니다.
| 문제 | 증상 | 완화 |
|---|---|---|
서로 다른 z가 비슷한 이미지만 낸다. |
미니배치 판별, WGAN 계열 | |
| 학습 불안정 | 판별자가 이기면 생성자 기울기가 죽는다. | 학습률 균형, Batch Norm |
| 평가 공백 | 사람 눈으로만 품질을 말하기 어렵다. | 등 분포 거리 |
FID는 실제와 생성 이미지의 특징 분포가 얼마나 가까운지입니다. 낮을수록 실제에 가깝다고 읽습니다. 다양성까지 보려면 모드 붕괴를 따로 점검합니다.
DCGAN과 변형, 그리고 Defense GAN
원형 GAN의 생성·판별은 완전연결층이었습니다. 은 이를 합성곱과 역합성곱으로 바꿔 공간 구조를 살리고, Batch Norm과 LeakyReLU로 학습을 붙잡습니다.
| 비교축 | GAN 원형 | DCGAN |
|---|---|---|
| 뼈대 | 완전연결 | 합성곱 / 역합성곱 |
| 이미지 | 저해상, 흐림 | 상대적으로 선명 |
| 안정 | 낮음 | Batch Norm 등으로 개선 |
| 자리 | 초기 실험 | 이미지 생성의 기준 골격 |
조건이 붙으면 CGAN처럼 클래스 레이블로 생성을 조종하고, 쌍이 없으면 CycleGAN처럼 도메인만 바꿉니다. StyleGAN은 스타일 벡터로 고해상 얼굴을 나눕니다.
은 공격이 아니라 방어입니다. x'를 생성자 매니폴드 위의 가까운 점 G(z*)로 투영한 뒤 분류기에 넣습니다. z* = argmin ||G(z) − x'||². 미세 노이즈가 매니폴드 밖으로 튀어 있으면, 복원 과정에서 일부가 떨어집니다. 한계는 분명합니다. 깨끗한 데이터를 잘 만드는 GAN이 따로 필요하고, 강한 공격에는 방어가 약해집니다. 적대적 학습·입력 변환과 같이 쓰는 편이 안전합니다.
어디에 쓰이고, 무엇이 바뀌었나
생성은 데이터 증강, 의료처럼 표본이 적은 영상의 합성, 이상탐지(정상만 학습한 뒤 재구성 오차로 이상 판정)로 이어집니다. 동시에 얼굴·음성 합성은 사칭 경로가 됩니다.
| 비교축 | GAN | Diffusion |
|---|---|---|
| 생성 속도 | 한 번에 뽑아 빠르다 | 반복 제거라 느리다 |
| 학습 | 불안정, 모드 붕괴 | 상대적으로 안정 |
| 다양성·제어 | 제한되기 쉽다 | 넓고 조종이 쉽다 |
| 지금 자리 | 실시간, 일부 의료·영상 | 이미지 생성의 기본값 |
답안에는 “GAN이 생성의 전부”가 아니라, 적대 학습의 골격과 방어로 뒤집는 쓰임을 같이 적습니다.