Core Concepts
확률적 확산 모델을 이용하여 인과적 표현을 학습하고, 이를 바탕으로 반사실적 이미지를 생성할 수 있는 방법을 제안한다.
Abstract
이 논문은 확률적 확산 모델(DPM)을 활용하여 인과적 표현 학습과 반사실적 이미지 생성을 다룬다.
먼저, 논문에서는 CausalDiffAE라는 프레임워크를 제안한다. CausalDiffAE는 고차원 데이터를 인과적으로 관련된 잠재 요인으로 매핑하는 인코더와 이들 간의 인과 관계를 신경망으로 모델링하는 메커니즘을 포함한다. 또한 잠재 공간의 디엔탱글먼트를 강제하기 위한 변분 목적 함수를 정의한다.
이를 통해 학습된 인과적 표현을 바탕으로 do-개입을 수행하여 반사실적 이미지를 생성할 수 있다. 논문에서는 DDIM 기반의 반사실적 생성 알고리즘을 제안한다.
또한 레이블이 제한적인 상황에서도 효과적으로 작동하도록 약한 감독 학습 방법을 제안한다. 이 방법은 무조건적 모델과 표현 조건부 모델을 함께 학습하여 반사실적 생성 시 개입의 강도를 조절할 수 있게 한다.
실험 결과, CausalDiffAE는 기존 방법들에 비해 더 잘 디엔탱글된 표현을 학습하고, 보다 정확하고 현실적인 반사실적 이미지를 생성할 수 있음을 보여준다.
Stats
인과 변수 간 개입 시 생성된 반사실적 이미지의 정확도(Effectiveness)가 기존 방법에 비해 크게 향상됨
MorphoMNIST 데이터셋에서 두께 개입 시 강도 MAE가 0.503, 강도 개입 시 두께 MAE가 0.309로 나타남
Pendulum 데이터셋에서 각도, 광원 위치, 그림자 길이, 그림자 위치 개입 시 MAE가 각각 0.297, 0.045, 0.136, 0.064로 나타남
Quotes
"CausalDiffAE는 고차원 데이터를 인과적으로 관련된 잠재 요인으로 매핑하는 인코더와 이들 간의 인과 관계를 신경망으로 모델링하는 메커니즘을 포함한다."
"CausalDiffAE는 잠재 공간의 디엔탱글먼트를 강제하기 위한 변분 목적 함수를 정의하여, 학습된 인과적 표현을 바탕으로 do-개입을 수행하여 반사실적 이미지를 생성할 수 있다."
"약한 감독 학습 방법은 무조건적 모델과 표현 조건부 모델을 함께 학습하여 반사실적 생성 시 개입의 강도를 조절할 수 있게 한다."