Core Concepts
본 연구는 StyleGAN 압축 시 생성 이미지의 다양성을 유지하기 위한 새로운 채널 프루닝 기법을 제안한다. 이를 위해 각 채널의 잠재 벡터 민감도를 측정하여 다양성에 기여도가 높은 채널을 선별적으로 유지하는 방식을 사용한다.
Abstract
본 연구는 StyleGAN 압축 시 발생하는 생성 이미지의 다양성 저하 문제를 해결하기 위해 새로운 채널 프루닝 기법을 제안한다. 기존 압축 기법들은 채널 중요도 평가 시 생성 이미지의 다양성을 고려하지 않아 압축 모델의 성능이 저하되는 문제가 있었다.
제안 기법은 각 채널의 잠재 벡터 민감도를 측정하여 다양성에 기여도가 높은 채널을 선별적으로 유지한다. 구체적으로, 원 잠재 벡터와 그 변형 벡터 간 생성 이미지 차이를 통해 채널별 중요도를 계산한다. 이를 통해 다양성에 기여도가 높은 채널을 우선적으로 유지하여 압축 모델의 성능 저하를 최소화한다.
실험 결과, 제안 기법은 기존 압축 기법 대비 FID 및 다양성 지표에서 큰 폭의 성능 향상을 보였다. 또한 동일 성능 수준에 도달하는 데 필요한 학습 반복 횟수가 절반 수준에 불과해 학습 효율성도 크게 개선되었다.
Stats
잠재 벡터 w와 변형 벡터 w+αd 간 생성 이미지 차이 |g(w) - g(w+αd)|
채널별 변형 벡터 유도 gradient 크기 |∂|g(w) - g(w+αd)| / ∂W|
Quotes
"채널별 다양성 기여도를 잠재 벡터 변형에 따른 민감도로 측정하여 압축 모델의 성능 저하를 최소화한다."
"제안 기법은 기존 압축 기법 대비 FID 및 다양성 지표에서 큰 폭의 성능 향상을 보였다."
"동일 성능 수준에 도달하는 데 필요한 학습 반복 횟수가 절반 수준에 불과해 학습 효율성도 크게 개선되었다."