OASIS 모델 요약

SPADE와 OASIS 비교

 

(SPADE의 D : L_adversarial + L_feature matching + L_VGG

 

OASIS D

1. N+1 class cross entropy loss

 

• per-pixel 별로 D가 real,fake 구분
• real data의 경우 class imbalance (object 크기 특성 상) 해결하기위해 weight 곱
• T = [x, y, {onehot}]

 

2. Labelmix

 

 

OASIS D 상세 구조

OASIS의 SPADE 이긴 이유

• N+1 class cross entrophy
• label mixing -> 내 task는 segmap이 아니라 의미가 없음
• G에서 3d noise concat

 

 

OASIS의 N+1 class cross entrophy에서 segmap 대신 featuremap으로 MSE loss등 써서 optimize 하기..

 

1.을 안쓸거면, OASIS를 쓰는 이유가 없음

SPADE에서 돌리기.

 

VGG loss를 안쓴게 OASIS의 장점이지만, 내 task는 segmap이 없기에 vgg loss 써야함

 

거기에 featuremap recon loss를 더하는 식으로 해야할듯