Generative Model - VAE(변분 오토인코더)와 GAN(생성적 적대 신경망)

 

 

VAE(Variational Autoencoder)와 GAN(Generative Adversarial Network)는 딥러닝에서 생성 모델로 널리 사용되는 대표적인 두 가지 기술이다. 이들은 모두 기존 데이터를 학습하여 새로운 데이터를 생성하는 데 중점을 둔 모델이라는 공통점을 가지고 있지만, 그 작동 방식과 목표에는 분명한 차이가 있다.

​

VAE는 확률론적인 접근법을 기반으로 작동하며, 입력 데이터를 잠재 공간(latent space)으로 변환하고 이를 이용해 데이터를 생성한다. 이 과정에서 VAE는 데이터의 분포를 학습하여, 학습 데이터와 유사한 새로운 데이터를 생성할 수 있다. VAE는 잠재 공간에서의 조작을 통해 데이터의 특징을 조절하거나 새로운 조합을 만들 수 있는 점에서 활용도가 높다. 예를 들어, 얼굴 이미지를 학습한 VAE는 특정 표정, 머리카락 색상, 또는 조명 조건 등을 제어하여 새로운 얼굴 이미지를 생성할 수 있다.

 

 

반면, GAN은 두 개의 신경망, 즉 생성자(Generator)와 판별자(Discriminator)가 서로 경쟁하며 학습하는 구조를 가지고 있다. 생성자는 새로운 데이터를 생성하려고 시도하며, 판별자는 생성된 데이터가 진짜(실제 데이터)인지 가짜인지 판별한다. 이 경쟁 과정을 통해 생성자는 점점 더 실제와 구분이 어려운 데이터를 생성할 수 있게 된다. GAN은 고해상도 이미지 생성, 동영상 생성, 스타일 전이(style transfer)와 같은 고품질 데이터 생성 작업에서 강력한 성능을 발휘한다.

​

VAE와 GAN은 생성 모델이라는 공통점을 공유하지만, VAE는 데이터 분포의 이해와 잠재 공간 조작에 초점을 맞추는 반면, GAN은 생성자와 판별자의 경쟁을 통해 사실감 높은 데이터를 생성하는 데 강점을 가지고 있다.

​

VAE (Variational Autoencoder)

VAE는 확률적 접근법을 사용하는 오토인코더(encoder-decoder)의 변형이다. 인코더는 입력 데이터를 잠재 공간(latent space)의 분포로 변환하고, 디코더는 이 잠재 공간에서 샘플링된 값으로 새로운 데이터를 생성하여 원본과 유사한 데이터를 만든다.

​

인코더(Encoder)는 입력 데이터를 잠재 공간에 매핑하고 잠재 변수의 평균과 분산을 예측한다. 디코더(Decoder)는 잠재 공간에서 샘플링된 값을 원래 데이터 형태로 복원한다.

[출처] https://data-science-blog.com/blog/2022/04/19/variational-autoencoders/

자동 인코더의 핵심 개념은 잠재 공간(latent space)이다. 잠재 공간은 관찰된 데이터의 기본 구조를 설명하는 잠재 변수(latent variable)를 포함하며, 직접 관찰할 수 없는 데이터의 숨겨진 특징을 나타낸다. 예를 들어, 다리에 차량 무게를 측정하는 센서가 있다고 가정하면, 차량 무게(관찰 변수)는 측정 가능하지만, 차량 유형(잠재 변수)은 직접 알 수 없다. 하지만 차량 유형이 무게에 영향을 미친다는 것을 추론할 수 있다.

​

자동 인코더의 목표는 이러한 잠재 변수를 학습하고, 입력 데이터를 효율적으로 모델링하는 것이다. 데이터 분포를 명시적으로 학습하므로 잠재 공간의 의미를 해석하기 쉽다. 하지만 생성된 데이터의 품질이 GAN에 비해 낮을 수 있다.

​

​

GAN (Generative Adversarial Network)

GAN은 이미지를 생성하는 모델로 두 개의 신경망(생성기와 판별기)이 서로 경쟁하면서 데이터를 생성하는 모델이다. 제로섬 게임처럼 훈련하며, 생성기가 판별기를 속일 수 있을 때까지 서로 경쟁하면서 성능을 개선해 나간다.​

• 생성기(Generator)​​ : 임의의 노이즈에서 시작해 가짜 데이터를 생성하고 진짜와 비슷한 데이터를 만들도록 학습한다.
• 판별기(Discriminator)​​ : 입력 데이터가 진짜(학습 데이터)인지 가짜(생성기 출력)인지 구별한다. 생성자를 이기려고 학습한다.

​

판별자는 진짜와 가짜를 정확히 구별하려 노력하고 생성자는 판별자를 속이려 노력한다. 이 두 신경망은 서로 경쟁하며 학습한다. 생성기는 판별기를 속이기 위해 더 사실적인 데이터를 만들고, 판별기는 더 정확히 진짜와 가짜를 구별하려 한다. 이렇게 적대적으로 훈련되면서 점점 더 현실과 구별하기 어려운 데이터를 생성할 수 있게 된다.

 

[출처] https://www.linkedin.com/pulse/exploring-fascinating-realm-generative-adversarial-networks-kaurav

VAE는 분포를 학습하고 이해하는 데 적합하며, GAN은 고품질의 현실적인 데이터를 생성하는 데 강점이 있다. VAE은 훈련이 안정적이지만 평균적인 특징으로 인해 흐릿한 이미지를 생성하는 경향이 있다. 반면에 GAN은 고품질의 선명한 이미지를 생성하지만, 훈련이 불안정할 수 있어 모드가 붕괴하거나 학습 실패 가능성이 있다.

 

VAE와 GAN의 비교

특징	VAE	GAN
모델 구조	확률적 오토인코더	생성자와 판별자의 경쟁 구조
손실 함수	재구성 손실 + KL 발산	판별자와 생성자의 미니맥스 게임
생성 데이터 품질	보통 (약간 흐릿함)	매우 높음
학습 안정성	안정적	불안정할 수 있음
활용 사례	데이터 압축, 잠재 공간 분석	고품질 이미지/비디오 생성