eGAN 모델의 성능개선을 위한 에지 검출 기법
An Edge Detection Technique for Performance Improvement of eGAN
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
GAN(Generative Adversarial Network, 생성적 적대 신경망)은 이미지 생성모델로서 생성기 네트워크와 판별기 네트워크로 구성되며 실제 같은이미지를 생성한다. GAN에 의해 생성된 이미지는 실제 이미지와 유사해야 하므로 생성된 이미지와 실제 이미지의 손실 오차를 최소화하는 손실함수(loss function)를 사용한다. 그러나 GAN의 손실함수는 이미지를 생성하는 학습을 불안정하게 만들어 이미지의 품질을 떨어뜨린다는 문제점이있다. 이러한 문제를 해결하기 위해 본 논문에서는 GAN 관련 연구를 분석하고 에지 검출(edge detection)을 이용한 eGAN(edge GAN)을 제안한다. 실험 결과 eGAN 모델이 기존의 GAN 모델보다 성능이 개선되었다.
Abstract
GAN(Generative Adversarial Network) is an image generation model, which is composed of a generator network and a discriminatornetwork, and generates an image similar to a real image. Since the image generated by the GAN should be similar to the actual image,a loss function is used to minimize the loss error of the generated image. However, there is a problem that the loss function of GANdegrades the quality of the image by making the learning to generate the image unstable. To solve this problem, this paper analyzesGAN-related studies and proposes an edge GAN(eGAN) using edge detection. As a result of the experiment, the eGAN model has improvedperformance over the existing GAN model.
참고문헌 (11)
- Y. J. Choi, "Deep Learning Approach for Generating Photorealistic Facial Images", Doctoral, Department of Media Engineering, pp.2017
- I. J. Goodfellow, "Generative Adversarial Nets", Advances in neural Information Processing Systems, pp.2672~2680 (2014)
- Y. J. Cao, "Recent Advances of Generative Adversarial Networks in Computer Vision", IEEE Access, 7, pp.14985~15006 (2018)
- "Conditional generative adversarial nets" (2019)[URL]
- "Energybased generative adversarial network" (2019)[URL]
- D. Berthelot, "BEGAN : Boundary Equilibrium Generative Adversarial Networks", arXiv : 1703. 10717, ~ (2019)
- J. Dong, "Inpainting of Remote Sensing SST Images With Deep Convolutional Generative Adversarial Network", IEEE Geoscience and Remote Sensing Letters, 16(2), pp.173~177 (2019)
- "Wasserstein GAN" (2019)[URL]
- "Improved training of Wasserstein GANs" (2019)[URL]
- X. Mao, "Least Squares Generative Adversarial Networks", The IEEE International Conference on Computer Vision (ICCV), pp.2794~2802 (2017)
- J. canny, "A Computational Approach to Edge Detection", IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-8(6), pp.679~697 (1986)