본 기술은 GAN 기반 딥러닝 모델에서 생성부가 랜덤 정보를 입력받아 가상 이미지에 대응하는 주파수 도메인의 가상 데이터를 생성하고, 판별부가 가상 데이터와 실제 이미지에 대응하는 주파수 도메인의 실제 데이터의 분간 가능 여부를 판단하며, 판별 결과에 따라 가상 데이터로부터 가상 이미지를 생성하는 이미지 생성 방법 및 장치 기술이다.
해결해야하는 문제점
딥러닝 기법을 이용한 이미지 생성 기술은 학습 속도가 현저히 느리고 연산 복잡도가 높으며 생성된 이미지의 해상도가 낮다는 문제가 존재하는 상황이다.
해결방안
본 기술은 생성부가 랜덤 정보에 기반해 가상 이미지의 픽셀 블록에 대응하는 주파수 도메인의 가상 데이터를 단계적으로 생성하고, 이미지 변환부가 실제 이미지를 주파수 도메인으로 변환해 다수의 실제 데이터를 생성한 뒤 주파수 단위 정규화(frequency-wise normalize)를 수행하고 진폭 편차 기준으로 정렬하며 임계값보다 큰 실제 데이터만 추출하여 학습에 사용하는 구성이다. 판별부는 가상 데이터와 추출된 실제 데이터의 분간 가능 여부를 판단하고, 생성부와 판별부는 판별 결과를 피드백받아 대립적 학습을 수행하며, 판별 결과가 0.5 수준으로 분간이 어려운 상태가 되면 생성부가 가상 데이터를 이용해 최종 가상 이미지를 생성하는 구성이다.
적용분야 및 장점
본 기술은 GAN 기반 생성형 AI를 활용하는 이미지 합성·콘텐츠 제작·데이터 증강 등 이미지 생성 시스템에 적용 가능하다. 실제 이미지를 픽셀 블록 단위로 주파수 도메인으로 변환한 뒤 일부 데이터를 제거·재구성하여 너비/높이를 줄이는 대신 채널 수를 높여 CNN 학습에 적합한 형태로 만들 수 있고, 단계별로 주파수 도메인의 진폭 실수를 생성하는 방식으로 작은 신경망으로도 큰 이미지를 생성하는 생성부를 학습시키면서 생성 이미지 크기를 유지할 수 있는 점이 장점이다.
개발단계 및 TRL
특허 문서에 GAN 기반 구성(생성부–이미지 변환부–판별부)과 랜덤 정보 입력–주파수 도메인 가상 데이터 생성–실제 데이터 주파수 변환·정규화·진폭 편차 정렬·임계값 기반 추출–진위 판별 및 피드백 학습–가상 이미지 생성의 절차와 도면이 구체적으로 제시된 단계이다. 다만 공보 내에서 대규모 벤치마크 성능지표·실증 데이터는 별도로 확인되지 않아, TRL 3~4 수준(알고리즘/시스템 설계 확립 및 프로토타입 구현·검증 단계)으로 정리하는 구성이 적절하다
◆ 기술 설명
◆ 기술이전 조건
◆ 자료