본 논문은 특징 커널을 사용한 적분 확률 메트릭 프레임워크(CKIPM) 기반의 새로운 GAN 변형체인 CKGAN을 제안합니다. CKIPM은 두 확률 분포 간의 거리를 측정하는 지표로, 재생산적 커널 힐베르트 공간에서 최대 평균 불일치(MMD)의 하한을 최적화하도록 설계되어 GAN 훈련에 사용될 수 있습니다. CKGAN은 생성된 이미지를 다시 랜덤 노이즈로 매핑하여 모드 붕괴 문제를 완화합니다. 커널 함수를 수동으로 선택하는 노력을 줄이기 위해, 본 논문에서는 특징 커널 함수를 자동으로 학습하는 소프트 선택 방법을 제안합니다. MNIST, CelebA 등의 합성 및 실제 이미지 벤치마크에 대한 실험 결과는 CKGAN이 다른 MMD 기반 GAN보다 일반적으로 성능이 우수함을 보여줍니다. 또한, 다소 많은 훈련 시간이 소요되지만, 자동으로 선택된 커널 함수는 실제 이미지 벤치마크에서 수동으로 미세 조정된 최고 성능의 커널 함수와 매우 유사한 성능을 제공하며, 다른 MMD 기반 GAN의 성능을 향상시킬 수 있음을 보여줍니다.
