(AI) GAN (Generative Adversarial Network)

GAN (Generative Adversarial Network)

1. 정의

GAN(Generative Adversarial Network)이란, 생성자(Generator)와 판별자(Discriminator)라는 두 개의 신경망이 서로 경쟁(Adversarial)하는 방식으로 데이터를 학습하여, 실제와 유사한 새로운 데이터를 생성하는 딥러닝 모델을 말한다.
경쟁 학습(게임 이론의 Minimax Game) 구조를 통해, 생성자는 판별자를 속일 수 있는 수준의 데이터를 만들어내고 판별자는 이를 구별하는 능력을 높임
주로 이미지 생성, 데이터 증강, 예술 창작, 영상 복원 등에 활용

2. 구성 및 동작 원리

(1) 생성자(Generator)

무작위 입력(Noise Vector)으로부터 가짜 데이터를 생성
- 입력: 임의의 잡음 벡터
- 출력: 가짜 데이터(예: 이미지, 오디오 등)
- 목표: 판별자가 가짜임을 구분하지 못하도록 실제 데이터와 유사하게 생성

(2) 판별자(Discriminator)

입력 데이터가 진짜인지 가짜인지 구분
- 입력: 실제 데이터 또는 생성된 가짜 데이터
- 출력: 데이터의 진위 여부 확률값
- 목표: 입력이 진짜인지 가짜인지 정확히 분류

(3) 학습 과정

1. 랜덤 잡음 벡터를 생성자에 입력
2. 생성자가 가짜 데이터 생성
3. 판별자가 진짜/가짜 판정
4. 오차 역전파하여 모델 업데이트
5. 반복하여 성능 개선
   
   

3. 주요 응용 분야

분야	활용 예시
이미지 생성	인물 사진 합성, 풍경 이미지 생성
데이터 증강	의료 영상 데이터 부족 문제 해결
예술 창작	AI 화가, 스타일 변환
복원/수정	오래된 사진 복원, 영상 해상도 향상
시뮬레이션	자율주행 차량 가상 환경 데이터 생성

 

 

4. 장점 및 한계

(1) 장점

- 고품질의 현실적인 데이터 생성 가능
- 라벨링이 필요 없는 비지도 학습 기반
- 다양한 창의적 응용 가능

(2) 한계

- 학습 불안정성(Collapse 문제)
- 생성물의 품질이 불균일
- 계산 비용이 높음

 

5. 결론

GAN은 생성 AI 분야의 핵심 기술로, 이미지·영상뿐 아니라 다양한 데이터 생성·복원 작업에서 혁신을 이끌고 있다.
그러나 안정적 학습과 품질 향상을 위해 아키텍처 개선, 정규화, 변형 GAN 모델(CycleGAN, StyleGAN 등) 연구가 지속적으로 필요하다.