Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

HingeRLC-GAN: Combating Mode Collapse with Hinge Loss and RLC Regularization

Created by
  • Haebom
Category
Empty

저자

Osman Goni, Himadri Saha Arka, Mithun Halder, Mir Moynuddin Ahmed Shibly, Swakkhar Shatabda

개요

본 논문은 Generative Adversarial Networks (GANs)의 모드 붕괴 문제를 해결하기 위해 다양한 건축학적 변화를 제안합니다. Wasserstein loss와 Gradient Penalty를 사용하여 손실 함수를 개선하고, ResNet 기반 네트워크 구조를 채택하여 GAN 모델의 다양성과 안정성을 높였습니다. 특히, RLC Regularization과 Hinge loss function을 결합한 HingeRLC-GAN을 제안하여 FID Score 18, KID Score 0.001의 성능을 달성하였으며, 기존 방법보다 우수한 성능을 보였습니다.

시사점, 한계점

•
시사점:
◦
Wasserstein loss와 Gradient Penalty, ResNet 구조를 활용하여 GAN의 모드 붕괴 문제를 효과적으로 해결할 수 있음을 보임.
◦
HingeRLC-GAN이 기존 GAN 모델보다 높은 다양성과 안정성을 제공함을 실험적으로 증명.
◦
향상된 FID Score와 KID Score를 통해 생성된 이미지의 질적 향상을 확인.
•
한계점:
◦
제안된 방법의 일반화 성능에 대한 추가적인 연구가 필요.
◦
다양한 데이터셋에 대한 실험 결과가 제한적임.
◦
RLC Regularization과 Hinge loss function의 조합이 다른 손실 함수나 정규화 방법과 비교 분석되지 않음.
👍
Made with Slashpage