Generative Model

 

1세대 Autoencoder(AE)

• 주어진 입력 데이터로부터 새로운 데이터를 생성하는 능력을 갖춘 모델
• AE는 주로 비지도 학습 방식으로 사용되며, 입력 데이터를 잠재 표현(latent representation)으로 압축한 후 이를 다시 복원하여 입력 데이터와 유사한 데이터를 생성
• Generative model 1세대 AE는 기본적으로 인코더(encoder)와 디코더(decoder)라는 두 부분으로 구성
  1. 인코더(encoder): 입력 데이터를 저차원의 잠재 표현으로 변환합니다. 이 잠재 표현은 일반적으로 저차원의 밀집 벡터입니다. 인코더는 입력 데이터를 저차원 공간으로 압축하는 방식으로 학습됩니다.
  2. 디코더(decoder): 잠재 표현을 원래의 데이터 공간으로 복원하여 새로운 데이터를 생성합니다. 디코더는 잠재 표현을 입력으로 받아들이고, 원래의 데이터를 복원하는 방식으로 학습됩니다.
  3. 학습: AE는 입력 데이터와 재구성된 데이터 간의 차이를 최소화하도록 인코더와 디코더를 동시에 학습시킵니다. 이를 통해 AE는 입력 데이터의 특징을 학습하고 새로운 데이터를 생성할 수 있는 능력을 획득합니다.
• Generative model 1세대 AE는 주로 데이터의 차원 축소, 잡음 제거, 데이터 생성 및 복원 등 다양한 응용 분야에서 사용
  • 예를 들어, 이미지 데이터에 AE를 적용하면 이미지 복원, 생성 및 변형 등에 활용 가능

 

Pixel by pixel image generation

• 이미지 생성 모델 중 하나로, 픽셀 단위로 이미지를 생성하는 방식
• 이 모델은 각 픽셀의 색상 값을 예측하고 조합하여 전체 이미지를 생성
• Pixel by pixel image generation은 주로 딥러닝 기반의 생성 모델인 신경망을 사용하여 구현
  • 일반적으로, 이미지 생성을 위해 생성자(generator)라는 신경망이 사용되며, 이 신경망은 각 픽셀의 색상 값을 출력으로 예측
  • 입력으로는 일반적으로 잠재 벡터나 잡음 벡터 등의 난수를 사용
• 생성자(generator): 잠재 벡터나 잡음 벡터와 같은 입력을 받아들여 각 픽셀의 색상 값을 예측하는 신경망이다. 생성자는 입력을 가지고 픽셀 단위로 이미지의 각 위치에서 색상 값을 생성한다.
• 이미지 생성: 생성자는 입력 벡터에 대해 픽셀 단위로 색상 값을 예측하여 이미지를 생성한다. 시작부터 끝까지 픽셀을 하나씩 생성하면서 이미지가 조각씩 완성된다.
• 학습: 생성자는 이미지 데이터셋과 비교하여 예측한 색상 값과 실제 색상 값 사이의 차이를 최소화하도록 학습된다. 이를 통해 생성자는 입력 벡터에 대해 실제 이미지와 유사한 이미지를 생성할 수 있도록 개선된다.
• 딥페이크(Deepfake) 기술이나 이미지 변형, 예술적인 이미지 생성 등에 활용