FineTuning Parameter Test

 

레이어 각각의 기능 비교

freezeD = 1

kimg = 32

8
16
32
64
128
256
원본

 

색은 뒤의 레이어 일수록 더 많은 정보를 가지고 있고, 128이하의 레이어는 색에 영향을 거의 미치지 않는다.

512는 밝기, 색

256은 색, 질감

x

256

512

256 + 512

(추가 실험 결과, 색에 대한 정보는 256레이어에서 더 많이 가지고 있는 것으로 보인다. 512레이어만 적용하면 밝기만 올라가서 이미지가 쨍해보임.)

 

128은 세부묘사 - 테두리가 거의 바뀌지 않는다

 

낮은 레이어 일수록 큼지막한 형태가 바뀐다.

64에서 이목구비, 표정

32에서 얼굴형, 이목구비

16에서 구도, 각도, 위치등 전체적인 배치를 좌우하는 느낌

 

 

 

 

freeze한 레이어 갯수 비교

freezeD = 0,                         1,                                     3,                                     5

freezeD = 1일 때만 전체적인 색의 톤이 조금 다르고 눈동자도 원본 그림과 가장 흡사하다. 1일 때 원본 그림의 특징이 제일 많이 남아있는 듯함.

그리고 freezeD = 3일 때 가장 목표 이미지에 근접해 보이는데, 

이 그림을 보면 유일하게 머리장식이 바뀌었다. 목표 이미지 풀에 꽤 있던 웨이트리스 머리띠 형태로. 그림자도 가장 사실적이고 머리카락의 질감도 다른 이미지들과 다르다.

특이한 점은 layer=8의 그림 중에서 유일하게 원본에 있는 검은 테두리가 남았다는 것.

 

근데 솔직히 다 미세한 차이고 너무 얼리면 별로, 아예 안 얼리면 학습시간이 오래걸림, 나머지 1~3은 별차이 없음. 데이터셋과 우연에 따라 경우의 수가 달라지는 듯..

 

 

 

학습 진행 정도에 따른 차이 비교

위의 데이터셋은 차이가 극명하지 않아서 이건 볼짤콘 데이터셋으로 진행함

kimg = 28, 56, 84

layer = 16, 32, 64, 128

학습시간은 적은 게 좋아보인다. 하지만 또 너무 덜 진행되면 안되니까 항상 적당히(?)가 중요하다. 경험상 25~35kimg 정도?