Hello Computer Vision

지난번 DCGAN에 이어서 이번에는 cGAN이다. DCGAN도 그렇고 기존의 vanila GAN도 그렇고 데이터셋을 학습한 후 다른 조건 없이 분포르 학습한 후 이미지를 생성했다면은 이 cGAN은 정답라벨을 줘서 원하는 이미지를 어느 정도 만들 수 있다는 효과가 있다. 논문에서는 MNIST 데이터셋과 해당 라벨을 훈련시켜 원하는 숫자를 나올 수 있다고 한다. 추가로 단순히 이미지만 다루는 것이 아닌 자연어 처리에서 나오는 corpora 같은 용어들도 나오는데 아마 이 논문부터 시작해 DALE 나 GPT처럼 자연어처리와 CV를 결합해 이미지를 어느 정도 제어할 수 있지 않을까 생각한다. 1. Introduction 기존 GAN에 대한 장점을 말해준다. Marcov chain 을 사용하지 않는 점과(이 부분..

지난번 GAN에 이은 두번째 논문 리뷰이다. DCGAN을 코드로 구현해본 적 있는데 GAN이 MLP로 이미지를 생성했다면 DCGAN은 CNN을 이용해 이미지를 생성한 것이 가장 큰 특징이다. GAN 논문을 읽을 때도 익숙한 내용이지만 수식을 이해하느라 어느 정도 시간이 걸려서 이번 DCGAN논문도 읽는데 이틀은 걸릴줄 알았는데 이 논문에서는 수식이 하나도 등장하지 않아서 편하게 읽었다. 수식보다는 GAN으로 할 수 있는 많은 것들을 소개해준 논문 같다. 첫번째 논문처럼 요약보다는 논문 목차를 따라가면서 최대한 논문에 나온 부분들을 다 소개하도록 노력하겠습니다. 논문 원본 : https://arxiv.org/abs/1511.06434 1. Introduction 처음에는 GAN에 대한 장점들(최대우도법 활..

지난 번 논문 리뷰에 이어서 코드 구현을 해볼라고 한다. https://keepgoingrunner.tistory.com/8 GAN(Generative Adversarial Nets, 2014) 논문 리뷰 GAN에 관심가진지 한 3달 정도가 지났고 논문에 대해서도 한번 겉핥기로 본 적이 있긴한데 앞으로 더 많은 논문을 볼텐데 GAN의 시초인 이 논문을 제대로 안 볼 수 없다고 생각하여 논문을 따로 복 keepgoingrunner.tistory.com pytorch로 작성하였고 해당 데이터셋은 Fashion MNIST 를 사용하였다. 전체 코드는 해당 github에서 확인할 수 있습니다. https://github.com/JiWoongCho1/Gernerative-Model_Paper_Review/blob..

GAN에 관심가진지 한 3달 정도가 지났고 논문에 대해서도 한번 겉핥기로 본 적이 있긴한데 앞으로 더 많은 논문을 볼텐데 GAN의 시초인 이 논문을 제대로 안 볼 수 없다고 생각하여 논문을 따로 복사하여 읽었다. 중요한 부분만 소개하는 것보다 논문에서 실린 내용을 최대한 다 소개하려고 노력했다. 코드 구현은 따로 포스팅 할 계획이다. 논문 paper : https://arxiv.org/abs/1406.2661 Generative Adversarial Nets, 즉 줄여서 GAN은 2014년에 이안 굿팰로우에 의해 발표되었다. 1. Introduction 논문을 시작하면서 기존의 generative model들을 소개하면서 장애물들과 단점으로 인하여 어려움이 많았다고 소개한다. 그리고 단순히 marcov ..