ποΈ Deep Convolutional GAN
μ΄λ² νμ΄μ§μμλ CNN μ μ΄μ©ν΄ μ΄λ―Έμ§ μμ± λͺ¨λΈμ μμμ μλ¦° DCGAN (Deep Convolutional GAN) μ μ΄μ©ν΄ μμ±ν λͺ¨λΈμ νμ΅νλ λ°©λ²μ λν΄μ μ€λͺ ν©λλ€.
ποΈ Wasserstein GAN
μ΄λ² νμ΄μ§μμλ κΈ°μ‘΄ GAN μμ μ¬μ©νλ Mean Squared Error λ₯Ό μμ ν΄ νμ΅ μμ μ±μ ν보ν Wasserstein GAN μ λν΄μ ꡬνν©λλ€.
ποΈ Wasserstein GAN w\ Gradient Penalty
μ΄λ² νμ΄μ§μμλ κΈ°μ‘΄ Wasserstein GAN μμ Exploding and vanishing gradients λ¬Έμ λ₯Ό ν΄κ²°ν WGAN-GP λν΄μ ꡬνν©λλ€.
ποΈ Progressive GAN
μ΄λ² νμ΄μ§μμλ Progressive λ°©λ²μ ν΅ν΄μ κ³ ν΄μλ GAN λͺ¨λΈμ νμ΅ μμ μ±ν ν보ν PGGAN(PROGRESSIVE GROWING OF GAN) λͺ¨λΈμ μ΄μ©ν΄ μμ±ν λͺ¨λΈμ νμ΅νλ λ°©λ²μ λν΄μ μ€λͺ ν©λλ€.