ㅁ 생성 모델

ㅇ 정의:
생성 모델은 주어진 데이터로부터 새로운 데이터를 생성하는 데 초점을 맞춘 모델로, 데이터의 분포를 학습하여 새로운 샘플을 만들어냄.

ㅇ 특징:
– 데이터의 분포를 학습함.
– 샘플 생성이 가능하며, 이미지, 텍스트, 오디오 등 다양한 분야에서 활용됨.
– 지도 학습과 비지도 학습 모두 적용 가능.

ㅇ 적합한 경우:
– 데이터 생성이 필요한 경우.
– 기존 데이터를 활용하여 새로운 데이터 생성이 요구되는 분야.
– 데이터의 다양성을 높이고자 할 때.

ㅇ 시험 함정:
– 생성 모델과 판별 모델의 차이를 혼동할 수 있음.
– 생성 모델의 활용 사례와 기술적 한계를 구분하지 못할 가능성.

ㅇ 시험 대비 “패턴 보기” 예시:
– 생성 모델은 주어진 데이터의 분포를 학습하여 새로운 데이터를 생성한다. (O)
– 생성 모델은 데이터를 분류하는 데 사용된다. (X)

========================

1. Classifier-Free Guidance

ㅇ 정의:
Classifier-Free Guidance는 조건부 생성 모델에서 조건을 명시적으로 제공하지 않고, 조건 없이 생성된 샘플을 활용하여 조건부 생성 품질을 개선하는 기법.

ㅇ 특징:
– 조건부 생성 모델에서 조건 없이 생성된 샘플과 조건부 샘플을 비교하여 생성 품질을 조정.
– 명시적 분류기 없이 조건부 품질을 개선할 수 있음.
– 생성 품질과 다양성 간의 균형을 조정 가능.

ㅇ 적합한 경우:
– 생성 모델의 품질을 높이고자 할 때.
– 명시적 분류기를 사용하지 않고 조건부 생성 품질을 개선하려는 경우.
– 다양한 조건부 생성 결과를 얻고자 하는 경우.

ㅇ 시험 함정:
– Classifier-Free Guidance가 명시적 분류기를 사용하는 방법과 혼동될 수 있음.
– 조건 없이 생성된 샘플과 조건부 샘플의 차이를 명확히 이해하지 못할 가능성.

ㅇ 시험 대비 “패턴 보기” 예시:
– Classifier-Free Guidance는 명시적 분류기를 사용하지 않고 조건부 생성 품질을 개선한다. (O)
– Classifier-Free Guidance는 데이터 분류를 수행하는 기법이다. (X)

ㅁ 추가 학습 내용

Classifier-Free Guidance(CFG)는 이미지 생성 모델에서 특정 스타일이나 속성을 강화하기 위해 널리 사용됩니다. 이를 학습하기 위해 다음 내용을 정리합니다.

1. **Classifier-Free Guidance의 적용 사례**:
– CFG는 텍스트-이미지 생성 모델에서 특정 텍스트 프롬프트에 더 잘 맞는 이미지를 생성하도록 사용됩니다. 예를 들어, DALL-E나 Stable Diffusion 같은 모델에서 “고전적인 유화 스타일의 풍경화”라는 텍스트 프롬프트를 입력하면, CFG는 모델이 이 스타일을 더욱 강조하도록 유도합니다.
– 특정 속성을 강조하는 데도 활용됩니다. 예를 들어, 얼굴 생성 모델에서 “웃는 표정”이나 “안경을 쓴 모습”과 같은 세부적인 속성을 강화하는 데 CFG를 적용하여 원하는 결과를 더 명확히 얻을 수 있습니다.
– CFG는 또한 스타일 전이(style transfer) 작업에서도 유용하며, 특정 예술가의 스타일을 모방하거나 특정 색감과 질감을 가진 이미지를 생성하는 데 사용됩니다.

2. **생성 품질과 다양성 간의 트레이드오프 조정**:
– CFG는 생성 품질(quality)과 다양성(diversity) 사이의 균형을 조정하는 데 핵심적인 역할을 합니다. CFG의 강도를 조절함으로써 모델이 텍스트 프롬프트에 얼마나 강하게 의존할지를 결정할 수 있습니다.
– 높은 CFG 강도는 텍스트 프롬프트에 더 충실한 이미지를 생성하게 하지만, 결과적으로 생성된 이미지의 다양성이 감소할 수 있습니다. 이는 모델이 특정 텍스트에 너무 과도하게 맞추려 하면서 창의적인 변화를 제한하기 때문입니다.
– 반대로 낮은 CFG 강도는 다양성을 증가시킬 수 있지만, 텍스트 프롬프트와의 일치도가 떨어질 가능성이 있습니다. 이 경우 생성된 이미지가 텍스트의 의도에서 벗어날 수 있습니다.
– 따라서 CFG의 적절한 강도를 선택하는 것이 중요하며, 이는 모델과 사용 사례에 따라 다르게 설정됩니다. 실험적으로 최적의 CFG 강도를 찾는 과정이 필요할 수 있습니다.

이 두 가지 측면을 잘 이해하고 사례와 이론을 연결해 학습한다면, 시험 대비에 큰 도움이 될 것입니다.