GAN (Generative Adversarial Network)

✅ 기본 개념

• 두 개의 신경망(G, D)이 서로 경쟁하며 학습
• 목표: 진짜 같은 가짜 데이터를 생성하는 것
• 이름 구성:
  • Generative: 데이터를 생성하는 G
  • Adversarial: 경쟁하는 구조

---

🧠 GAN Architecture

[노이즈 z] ─▶ 🎨 Generator(G) ─▶ 🖼️ Fake Image ─▶
                               │                  ↓
                           [Real Image] ─▶ 🛡️ Discriminator(D)
                                             │
                               └──────────────▶ Real or Fake

• Generator(G): 노이즈 벡터 z로부터 이미지를 생성
• Discriminator(D): 입력이 실제인지 가짜인지 판별
• G는 D를 속이려고 학습하고, D는 G를 잡아내기 위해 학습
  → 게임 이론 기반의 최적화 구조

---

⚖️ GAN Loss Function

네트워크목표수식 개념

네트워크	목표	수식 개념
D	진짜는 1, 가짜는 0	log(D(x)) + log(1 - D(G(z))) 최대화
G	가짜를 진짜처럼	log(D(G(z))) 최소화 (또는 -log(D(G(z))) 최대화)

---

🧪 Vanilla GAN

• 가장 기본적인 GAN 구조
• Fully Connected (MLP)로만 구성
• 낮은 해상도 (보통 28x28 또는 64x64 수준)

---

🎨 cGAN (Conditional GAN)

✅ 개념

• 조건 y (예: 클래스 레이블)를 함께 입력받아 조건 제어 생성
• 입력: (z, y), 출력도 y에 조건됨

✅ 예시

• "3이라는 숫자 이미지를 생성"
• "여자 얼굴 생성"
• "노란 배경에 빨간 사과 생성"

z + y ─▶ G(z|y) ─▶ fake image
x + y ─▶ D(x|y) ─▶ real or fake

---

🧱 DCGAN (Deep Convolutional GAN)

✅ 특징

• Vanilla GAN + CNN = DCGAN
• ConvTranspose2D: 업샘플링
• BatchNorm, LeakyReLU: 안정적인 학습
• 이미지 품질 대폭 향상

✅ 구조 요약

• G: Dense → Reshape → ConvTranspose2D (업샘플링)
• D: Conv2D (다운샘플링) → Flatten → Dense

---

🧬 DCGAN의 벡터 연산 특성

• Latent vector(z)의 의미적 조작이 가능
• 예:
  • z_남자 + z_안경 - z_여자 ≈ z_안경 쓴 남자
• 개념 공간에서 의미 있는 연산 가능 (semantic arithmetic)

---

❗ GAN의 한계 및 문제점

문제점	설명
🔳 고해상도 생성 어려움	초기 GAN은 64x64 이미지 정도
⚖️ 학습 불안정	G와 D의 경쟁 밸런스 깨지면 collapse
📉 확률 밀도 추정 어려움	생성 분포의 명확한 수치화 어려움
📏 평가 지표 부족	이미지 품질 평가가 주관적일 수 있음
❓ 노이즈 ↔ 이미지 매핑 불분명	어떤 z가 어떤 이미지인지 설명 어려움

특히 모드 붕괴(mode collapse)는 GAN 학습의 대표적 문제입니다. G가 특정한 결과만 반복적으로 생성할 수 있어 다양성이 사라짐.

---

✨ 요약: GAN 계열 모델 비교

모델특징주요 개선점

모델	특징	주요 개선점
Vanilla GAN	기본 구조	MLP 기반, 해상도 낮음
DCGAN	CNN 기반	고해상도 이미지 가능
cGAN	조건 입력 추가	클래스/속성 기반 생성
WGAN	Wasserstein 거리 사용	학습 안정성 개선
StyleGAN	스타일 기반 조절	고품질 얼굴 생성
CycleGAN	도메인 간 이미지 변환	예: 말 ↔ 얼룩말

---

📌 실전 예시 코드 (PyTorch 기반 DCGAN G 구조)

import torch.nn as nn

class Generator(nn.Module):
    def __init__(self):
        super().__init__()
        self.net = nn.Sequential(
            nn.ConvTranspose2d(100, 512, 4, 1, 0),
            nn.BatchNorm2d(512),
            nn.ReLU(True),
            nn.ConvTranspose2d(512, 256, 4, 2, 1),
            nn.BatchNorm2d(256),
            nn.ReLU(True),
            nn.ConvTranspose2d(256, 128, 4, 2, 1),
            nn.BatchNorm2d(128),
            nn.ReLU(True),
            nn.ConvTranspose2d(128, 1, 4, 2, 1),
            nn.Tanh()
        )

    def forward(self, z):
        return self.net(z)