이미지 자동 생성 인공지능의 원리와 현황 = Principles and Status of Automatic Image Generation Artificial Intelligence

국문 초록 (Abstract)

이 연구는 이미지 생성 인공지능의 원리를 규명하고 그 성능과 한계를 검토하여 이미 지 생산 방식에 생겨난 혁신적인 변화 양상을 살펴본다. 구체적으로는 적대적생성신경 망(GAN)의 구조를 밝히고 그 기술적 개선 과정을 상세히 추적하여 이후에 개발된 후속 모델들의 유형을 분류한다. GAN의 후속 모델들이 수행하는 과업은 다양하다. 고해상도 이미지 생성, 그림-사진 등의 이미지 치환, 얼굴합성 등 GAN은 기존의 생성 모델로는 불 가능했던 놀라운 과업을 완수하며 꾸준히 진화하고 있다. GAN의 원리는 첫째, 생성자 와 판별자의 적대적 경쟁을 통한 데이터 학습, 둘째, 최대 가능도 추산을 통한 정확한 확 률분포의 계산, 셋째, 심층 컨볼루션 구조를 통한 이미지의 미세한 특질 계산에 있다. GAN이 생성 모델로서 지니는 가장 중요한 특성은 사진과 흡사한 사실적인 이미지 생성 능력에 있다. 인간은 손과 도구를 사용해서 이미지를 제작해 오다가 사진의 발명과 더불 어 카메라 장치로 이미지를 생산하기 시작했다. 이제 생성 인공지능은 급속한 기술 개선 을거듭하면서또다른이미지생산수단이되어가고있다.

다국어 초록 (Multilingual Abstract)

This study identifies the principles of image generation artificial intelligence, examines its performance and limitations, and examines the innovative changes that have occurred in image production methods. Specifically, we reveal the structure of the Generative Adversarial Network (GAN), trace its technical improvement process in detail, and classify the types of subsequent models developed later. The tasks performed by GAN’s successor models are diverse. GAN is steadily evolving, completing amazing tasks that were impossible with existing generative models, such as high-resolution image generation, image substitution such as drawings and photos, and face synthesis. The principles of GAN are, first, data learning through adversarial competition between generator and discriminator, second, calculation of accurate probability distribution through Maximum Likelihood Estimation, and third, calculation of fine features of images through deep convolution structure. The most important characteristic of GAN as a generative model is its ability to create realistic images similar to photographs. Humans have been producing images using hands and tools, but with the invention of photography, humans began producing images using camera devices. Now, generative artificial intelligence is becoming another means of image production as technology continues to improve rapidly.

참고문헌 (Reference)

• 1 박평종, "미증유의 얼굴 : AI의 오류 이미지" 달콤한책 2022
• 2 "https://refikanadol.com/works/unsupervised/"
• 3 Radford, Alec, "Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks"
• 4 Pan, Zhaoqing, "Recent Progress on Generative Adversarial Networks(GANs) : a survey" 7 : 2019
• 5 Bazin, André, "Qu’est-ce que le cinema?" Cerf 1985
• 6 Karras, Tero, "Progressive Growing of GANs for improved quality, stability, and variation"
• 7 Ledig, Christian, "Photo-Ralistic single image Super-Resolution using a Generative Adversarial Network"
• 8 Goodfellow, Ian, "NIPS 2016 Tutorial: Generative Adversarial Networks"
• 9 Brock, Andrew, "Large Scale GAN Training for Hige Fidelity Natural Image Synthesis"
• 10 Salimans, Tim, "Improved Techniques for Training GANs"
• 11 Isola, Phillip, "Image-to-Image Translation with Conditional Adversarial Networks"
• 12 Kumarn, Pavan, "Generative Adversarial Networks: a survey on applications and challenges" 2020
• 13 Goodfellow, Ian, "Generative Adversarial Nets"
• 14 Mirza, Mehdi, "Conditional Generative Adversarial Nets"
• 15 Tero Karras, "Analyzing and Improving the Image Quality of StyleGAN"
• 16 O’Shea, Keiron, "An Introduction to Convolutional Neural Networks"
• 17 Tero Karras, "Alias-Free Generative Adversarial Networks"
• 18 Tero Karras, "A Style-Based Generator Architecture for Generative Adversarial Networks"