Hello Computer Vision

지난번 CGAN논문 리뷰에 이어서 코드로 한번 구현해보겠습니다. https://keepgoingrunner.tistory.com/12 비전공생의 CGAN(Conditional Generative Adversarial Nets, 2014) 논문 리뷰 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 원하 keepgoingrunner.tistory.com 전체코드는 해당 github에서 볼 수 있습니다. https://github.com/JiWoongCho1/Gernerative-Model_Paper_Review/blob/main/cGAN.ipyn..

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..