변이형 오토인코더(VAE)

목차

I. 변이형 오토인코더에 대해
1. 창조적인 이미지 처리 신경망
2. 이미지를 창조하는 핵심 기술
3. 개념벡터
4. 변이형 오토인코더(VAE)
5. 변이형 오토인코더 작동방식
6. VAE의 파라미터 훈련방법
7. 케라스를 이용한 VAE 구현방법
8. VAE의 장점

II. 참고문헌

본문내용

I. 변이형 오토인코더에 대해
1. 창조적인 이미지 처리 신경망
이미지의 잠재 공간에서 샘플링해서 완전히 새로운 이미지를 만들어 내거나 기존 이미지를 변형하는 방식이 현재 가장 인기 있고 성공적으로 창조적인 AI애플리케이션을 만들 수 잇는 방법이다. 이러한 분야의 주요기술로는 변이형 오토인코더(Variational AutoEncoders, VAE)와 적대적 생성 네트워크(Generative Adversarial Networks, GAN)가 있다. 물론 이러한 신경망기술을 이용하면 그림뿐만 아니라 소리, 음성, 텍스트도 다룰 수 있다.

2. 이미지를 창조하는 핵심 기술
1) 저차원 잠재공간의 표현 만들기
- 이미지 생성의 핵심은 각 포인트가 실제와 같은 이미지로 매핑될 수 있는 저차원 잠재공간의 표현을 만드는 것이다.
- 잠재공간의 한 포인트를 입력받아 이미지(픽셀의 그리드)를 출력하는 모듈에 해당하는 생성자(generator) 또는 디코더(decoder)를 만들어 낸다.
(GAN에서는 생성자라고 하고 VAE에서는 디코더라고 한다.)

참고 자료

프랑소와 숄레(2018), 케라스 창시자에게 배우는 딥러닝, 길벗출판사
인터넷 웹사이트 - https://subinium.github.io/Keras-8/