본 연구의 목적은 인공지능의 생성 모델인 GAN(Generative Adversarial Network)을 이용하여 실제와 유사한 가짜 이미지를 생성하는 것입니다. 최근에는 흑백 사진을 컬러로 바꾸거나, 빈센트 반 고흐의 특유의 화풍을 일반 사진에 적용하는 등 상당히 재미있는 GAN 기술들이 일반인들도 접하기 쉽게 소개되어 있습니다.
GAN은 한국어로 풀어서 쓰면 ‘적대적 생성 신경망’으로, 말 그대로 GAN은 생성자와 판별자 간에 적대적으로 학습을 진행합니다. 가장 설명하기 쉬운 예제는 다음과 같습니다.
경찰에게 판별자(Discriminator), 지폐 위조범에게 생성자(Generator)의 역할을 부여한다면 어떨까요? 지폐 위조범은 경찰의 단속을 피하기 위해 점점 더 실제와 유사한 위조 지폐를 만들 것이고, 경찰은 지폐 위조범을 잡기 위해 점점 더 정교한 방법으로 진짜와 가짜를 구별하는 법을 개발할 것입니다. 이것이 바로 GAN의 기본적인 알고리즘으로, 생성자와 판별자가 적대적으로 학습하며 점점 ‘진짜 같은 가짜’를 생성하게 되고, 모델의 성능이 향상되게 됩니다.
이때 본 연구에서 사용한 CycleGAN 같은 경우에는 재미있는 변환을 수행합니다. 바로 도메인 변경인데요, 단순히 짝지어진 이미지를 변환하는 것에서 벗어나 짝지어지지 않은 두 도메인 간의 데이터 분포를 학습하고, 그에 맞는 이미지 변환을 수행하게 됩니다.
이러한 생성 모델을 사용하여 유도 조종 기법 시뮬레이션이나 모의 비행 시험에 활용될 수 있는 진짜 같은 가짜 적외선(Infra-red) 이미지를 생성하는 것이 연구의 주 내용입니다.
하지만 모델이 이미지를 아주 잘 만들었다고 해도 사람들이 그 과정을 파악하기는 어렵습니다. 인공지능이 데이터 분포를 학습하는 과정은 눈으로 볼 수 없는 블랙박스(Black box)의 영역이기 때문이죠.
따라서 인공지능의 학습 과정, 즉 이 블랙박스를 파헤치고 이미지 생성에 관여하는 factor들을 찾아 설명 가능한 인공지능(eXplainable AI)을 개발하는 것이 향후 연구 목표가 될 것입니다.
더 자세한 정보는 이하늘 연구원(sky.lee@controla.re.kr)에게 문의 바랍니다.