CelebA 조건부 얼굴 이미지 생성

Conditional DCGAN baseline과 조건 제어 개선 구조를 비교한 딥러닝 생성 모델 실험입니다.

PyTorch Conditional DCGAN Attribute Classifier CelebA
프로젝트 목록으로
CelebA 조건부 얼굴 이미지 생성 미리보기

개요

CelebA 64x64 데이터셋을 기반으로 조건부 얼굴 생성 실험을 구성하고, baseline과 개선 구조의 조건 반영 성능을 비교한 프로젝트입니다. 생성 품질보다 조건 제어 정확도를 함께 평가하는 데 초점을 맞췄습니다.

담당 역할

  • 실험 구조 설계
  • 조건 속성 정의 및 데이터 구성
  • 학습 파이프라인 정리
  • 결과 비교 기준 설계

실험 구성

  • CelebA 64x64 데이터 기반 실험 구성
  • Conditional DCGAN baseline 구축
  • 개선 구조와 제어 성능 비교
  • 속성별 결과 비교 기준 설계

기술 스택

PyTorch, Conditional DCGAN, Attribute Classifier, CelebA

실험 설계

  • CelebA 64x64 이미지를 사용했습니다.
  • 조건 속성은 Male, Eyeglasses, Young, Black_Hair, Blond_Hair, Brown_Hair로 구성했습니다.
  • Conditional DCGAN baseline을 구축했습니다.
  • WeightedRandomSampler, TTUR, Attribute Classifier를 반영한 improved 구조를 비교했습니다.
  • exact match, mean attribute accuracy, 속성별 accuracy 기준으로 평가했습니다.

평가 지표

  • exact match rate
  • mean attribute accuracy
  • attribute-wise accuracy
  • fixed sample comparison

주요 결과

  • baseline 대비 improved 모델에서 exact match rate가 개선됐습니다.
  • 조건 속성 반영 성능이 전반적으로 향상됐습니다.
  • 희소 조건 조합에서 sampler와 classifier 보조 효과를 확인했습니다.
  • fixed sample 비교에서 조건 일관성이 더 안정적으로 나타났습니다.

트러블슈팅

  • 조건 조합 불균형 문제를 sampler 기반으로 완화했습니다.
  • G/D 학습 불균형을 TTUR 조정으로 완화했습니다.
  • 특정 속성이 반영되지 않는 문제를 classifier 보조 신호로 보완했습니다.
  • sparse condition sampling으로 인한 불안정성을 데이터 구성 방식으로 조정했습니다.

개선 방향

  • diffusion 기반 조건부 생성 모델과 비교할 계획입니다.
  • 조건 제어 성능 평가 자동화를 더 정교하게 만들 예정입니다.
  • classifier guidance 계열 접근을 추가 실험할 계획입니다.