분포강건학습을 이용한 강건한 VAE 모형 연구

본 과제는 이미지 생성모형인 VAE의 성능과 한계를 분석하고, 이미지의 다양한 특성을 더 잘 학습하는 강건한 VAE 모형을 개발하는 연구임. VAE는 입력 이미지를 잠재 공간으로 압축한 뒤 다시 이미지로 복원하는 기술로, 이미지 생성과 복원에 활용됨. 연구 목표는 VAE와 GAN의 성능 차이 원인을 밝히고, 이미지 데이터의 특성에 적합한 경험적 위험함수와 사전분포를 설계하여 VAE의 이미지 복원력과 생성 품질을 향상하는 것임. 핵심 연구 내용은 Distributionally Robust Optimization 기반의 General Coherent risk와 Uniform Pessimistic Risk를 개발하고, 이미지 픽셀 위치 변화에 대응하는 Locational Shift Invariant Risk를 VAE 손실함수에 적용하는 것임. 또한 Normalizing Flow를 활용해 다양한 사전분포를 구성하고, 잠재변수 공간의 Probabilistic Convexity와 data interpolation이 모형강건성에 미치는 영향을 분석하는 것임. 기대 효과는 이미지 likelihood와 경험적 위험함수에 대한 이론적 기반 확립, 다양한 이미지 생성 분야에 적용 가능한 강건한 VAE 모형 확보, 사용자 의도에 맞는 고품질 이미지 생성 기술 발전임.