A Training Method for Improving Image Diversity in Generative Adversarial Networks Using a Perceptual Cosine Similarity Loss

적대적 생성 신경망은 고품질 이미지 생성에서 뛰어난 성능을 보이지만, 제한된 유형의 샘플만을 생성하는 모드 붕괴 문제를 겪는다. 본 연구에서는 네트워크 구조를 변경하지 않고도 적용 가능한 코사인 유사도 기반의 다양성 손실 함수를 제안한다. 제안된 손실 함수는 생성된 이미지로부터 추출한 특징 벡터 간의 코사인 유사도를 최소화함으로써 중복 생성을 억제하고 잠재 공간의 의미적 연속성을 유지한다. 본 방법은 LSUN Bedroom 및 CelebA 데이터셋을 대상으로 DCGAN 구조에 적용하여 평가한다, FID 및 LPIPS 지표를 활용한 실험 결과, 네트워크 구조의 수정 없이도 간단한 손실 항 추가만으로 이미지의 품질과 다양성을 효과적으로 개선할 수 있음을 확인한다.