COCO-GAN: Generation by Parts via Conditional Coordinating

COCO-GAN: Generation by Parts via Conditional Coordinating

인간은 자신을 둘러싼 환경의 일부분과만 상호작용할 수 있다. 생물학적 한계로인해.
그래서 그 환경의 부분들을 연속적으로 관찰해서 공간정보를 추론한다.
이러한 인간 인지 특성에서 영감을 받아 머신러닝 시 연산비용 문제를 고려해 
conditional coordinate GAN을 제안해보려 한다.
생성자는 조건으로 주어지는 공간좌표에 기반해 부분 이미지를 생성해내고
판별자는 global coherence, local appearance, and edge-crossing continuity 를 바탕으로
부분들의 조합으로 만들어진 이미지의 사실성을 판별한다?
global coherence, local-appearance, edge-crossing continuity 는 
이미지를 생성할 때 전체적으로 이미지가 비슷하게 생성되었는지(global coherence), 
지역적으로는 잘 생성되었는지(local-appearance),  와 관련있는것 같다.
edge-crossing 연속성 이것도 엣지(윤곽선)가 잘 이어져있는지를 보는 것 같다

Despite the full images are never manipulated during training
추론을 통해 SOTA급 퀄리티의 전체 이미지를 만들어 낸다.  

나아가 좌표를 인식하는 특성을 가진 우리의 모델을 가지고 다양한 응용이 가능함을 보여주고자 한다. 
First, we perform extrapolation to the learned coordinate manifold 
and generate off-the-boundary patches. 
Combining with the originally generated full image, 
COCO-GAN can produce images that are larger than training samples, which we called "beyond-boundary generation"
원래 전체 이미지보다 더큰 이미지를 만들 수 있다
We then showcase panorama generation 
within a cylindrical coordinate system 
that inherently preserves horizontally cyclic topology

분할 정복 알고리즘을 사용해 훈련하고 추론하는 동안 메모리 요구량을 줄이고 
high-parallelism 을 제공하고 
생성되길 원하는 이미지의 일부분을 생성해내게 할 수 있다.