적대적 생성 신경망과 순환 일관성을 이용한 표정 변환 얼굴 이미지 생성

국문 초록 (Abstract)

얼굴 이미지의 회전과 표정을 변형하는 것은 여전히 도전적인 분야이다. 현재 관련 연구의 목표는 대부분 같은 환경과 다양한 각도에서 같은 시간에 동시에 촬영한 여러 개의 사진을 이용해 어떻게 사진을 다른 각도의 사진으로 자연스럽게 매핑 할 것인지에 대해 초점이 맞춰져 있다. 하지만 그러한 학습 데이터는 매우 구성하기 까다롭고 표정을 학습하는 것에도 한정적이다.
본 논문에서는 적대적 생성 신경망(GAN: Generative Adversarial Nets)과 순환 일관성(Cycle Consistency)을 이용해 일반적인 얼굴 인식에 사용되는 학습 데이터를 이용해 입력받은 얼굴 이미지를 다양한 방향에 대한 다양한 표정의 얼굴 이미지로 변형하고 또한 이미지가 촬영된 환경과 얼굴의 특징을 보존하여 생성할 수 있는 학습 방법을 제안한다.

다국어 초록 (Multilingual Abstract)

It is still challenging to transform a facial image with the desired facial expression using a single facial image. Currently, the goal of related research is mainly focused on how to naturally map images using multiple photographs taken at the same environment and at various angles. However, such learning data is very difficult to construct and it is very difficult to learn facial expressions.
In this paper, we show that the input face image can be transformed into face images of various facial expressions in various directions by using Generative Adversrial Networks and cycle consistency. In addition, we propose a learning method that preserves the environment and facial features of the image.

목차 (Table of Contents)

• 제 1장 서론 1
• 제 2장 관련 연구 3
• 2.1 인공신경망 3
• 2.2 합성곱 신경망 4
• 2.3 적대적 생성 신경망 6
• 2.4 조건부 적대적 생성 신경망 8
• 2.5 DCGAN 모델 8
• 2.6 Pix2pix 모델 9
• 2.7 순환 일관성 11
• 2.7.1 CycleGAN 11
• 제 3장 얼굴 이미지 생성 13
• 3.1 학습 데이터 13
• 3.1.1 학습 이미지 선정 13
• 3.1.2 데이터 전처리 14
• 3.2 신경망의 구조 15
• 3.3 학습 데이터 추출 18
• 3.4 모델 구성 20
• 3.5 손실 함수 21
• 3.5.1 적대적 손실 21
• 3.5.2 순환 일관성 손실 22
• 3.5.3 픽셀 단위 동일 손실 22
• 3.5.4 Total Variation 손실 23
• 3.5.5 총 목적 함수 24
• 3.6 학습 알고리즘 24
• 제 4장 실험 26
• 4.1 학습 환경 26
• 4.2 결과 26
• 제 5장 결론 및 향후 과제 28
• 참 고 문 헌 29
• Abstract 32