FashionMNIST 조건부 이미지 생성

무엇을 하는 미션인가

FashionMNIST에서 원하는 클래스의 이미지를 생성하는 미션입니다. 조건부 GAN으로 시작해 확산 모델까지 단계적으로 바꿔가며 FID를 기록했습니다.

조건을 넣는 방식

레이블을 임베딩해 잠재 벡터와 이어 붙이는 구조입니다. 생성기의 첫 Linear 입력이 latent_dim + num_classes인 것이 그 근거입니다.

# notebooks/mission09.ipynb — 레이블 임베딩을 잠재 벡터에 이어 붙인다 (발췌)
class Generator(nn.Module):
    def __init__(self):
        super(Generator, self).__init__()
        self.label_emb = nn.Embedding(num_classes, num_classes)
        self.init_size = image_size // 4  # 7

        self.l1 = nn.Sequential(
            nn.Linear(latent_dim + num_classes, 128 * self.init_size * self.init_size),
            nn.ReLU(inplace=True)
        )
        # ... 업샘플 두 번(7 → 14 → 28) 후 Tanh

판별기와 함께 BCELoss로 학습하고, Adam(lr=0.0002, betas=(0.5, 0.999))을 씁니다. 후반부에는 SinusoidalPositionEmbeddings · ResBlock · UNet · DDPM을 추가로 구현해 확산 모델로도 생성했습니다.

단계별 FID (feature=64)

낮을수록 좋습니다. 노트북 출력 순서 그대로입니다.

측정은 여섯 단계 모두 torchmetrics의 FrechetInceptionDistance(feature=64)로, 실제·생성 이미지 각각 len(test_loader.dataset)(노트북 기록 기준 10,000장)을 써서 같은 조건으로 계산했습니다.

값이 단조롭게 내려가지 않았습니다. 구조를 바꾼 2단계에서 FID가 오히려 올랐고, 에폭을 늘린 뒤에도 회복되지 않았습니다. 가장 낮은 값은 확산 모델 단계에서 나왔습니다. 각 단계는 여러 설정이 함께 바뀐 실험이라, 어떤 변경이 값을 움직였는지는 이 기록만으로 분리되지 않습니다.

한계

• feature=64는 널리 보고되는 FID-2048과 다른 설정입니다. 특징 차원이 달라 다른 논문·모델의 FID 수치와 직접 비교할 수 없습니다. 위 표는 같은 특징·같은 이미지 수·같은 전처리를 쓴 이 노트북 내부의 단계 간 상대 비교로만 읽어야 합니다
• 학습 시드와 생성 샘플링 난수까지 통제한 반복 측정은 없습니다
• 생성 이미지의 품질은 수치 없이 판단하지 않았습니다
• 생성 샘플 이미지는 노트북 안에만 있고 사이트로 옮기지 않았습니다