최근 이미지 생성 모델들은 뛰어난 생성 성능을 보인다. 그러나 이러한 모델들은 우리가 ‘공간적 편향(spatial bias)’이라고 부르는 데이터셋 내의 강한 위치 선호를 그대로 반영한다. 그 결과, 생성기는 관측되지 않은 위치와 스케일에서는 품질이 낮은 샘플을 생성한다. 우리는 생성기가 공간적 콘텐츠를 렌더링하기 위해 암묵적 위치 인코딩(implicit positional encoding)에 의존한다고 주장한다. 우리의 관찰에 따르면, 생성기의 암묵적 위치 인코딩은 번역에 대해 불변적이지 않아 생성기를 공간적으로 편향되게 만든다. 이러한 문제를 해결하기 위해, 생성기의 각 스케일마다 명시적 위치 인코딩을 주입하는 방법을 제안한다. 공간적으로 비편향된 생성기를 학습함으로써, GAN inversion, 다중 스케일 생성, 임의의 크기 및 종횡비 생성을 포함한 여러 작업에서 생성기의 견고한 활용을 가능하게 한다. 나아가, 우리의 방법이 노이즈 제거 확률적 확산 모델(denoising diffusion probabilistic models)에도 적용될 수 있음을 보여준다. 코드는 다음에서 제공된다: https://github.com/jychoill8/toward_spatial_unbiased.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.