아트브리더로 두 이미지 합성해 새로운 동식물 품종 만드는 법
현대 예술과 인공지능 기술의 경계가 허물어지는 이 시대에, 우리는 과연 새로운 생명체를 창조하는 상상력을 현실로 불러올 수 있을까요? 어쩌면 이 질문은 과거의 상상 속에서만 존재했던 이야기처럼 들릴지 모릅니다. 하지만 지금, 인공지능 기술의 눈부신 발전은 우리에게 이러한 상상력을 구체적인 이미지로 구현할 수 있는 놀라운 도구를 선사했습니다. 이번 포스팅에서는 두 개의 이미지를 합성하여 '새로운 품종'의 동식물을 창조하는 신비로운 경험을 가능하게 하는 인공지능 플랫폼, 바로 아트브리더(Artbreeder)에 대해 깊이 있게 살펴보겠습니다. 아트브리더는 단순히 이미지를 편집하는 것을 넘어, 인공지능이 이미지를 '이해하고' '재구성하여' 전혀 새로운 형태를 만들어내는 경이로운 과정을 보여줍니다. 이것은 마치 유전자를 조작하여 새로운 생명체를 만들어내는 생명공학 기술이 디지털 세상에 구현된 것과 같다고 비유할 수 있습니다. 여러분은 아마도 이 기술이 어떻게 작동하는지, 그리고 어떤 원리로 이러한 마법 같은 창조가 가능한지 궁금하실 것입니다.
아트브리더란 무엇이며, 그 핵심 원리는 무엇일까요?
아트브리더는 사용자가 기존의 이미지를 활용하여 새로운 이미지를 생성하고 변형할 수 있도록 돕는 웹 기반의 인공지능 아트 플랫폼입니다. 이 플랫폼의 가장 두드러진 특징은 바로 다양한 이미지를 합성하고 변형하여 무한에 가까운 시각적 결과물을 만들어낼 수 있다는 점입니다. 쉽게 말해, 이미지를 그림 그리는 도구처럼 다루는 것이 아니라, 마치 생명체의 유전자를 조작하듯이 이미지가 가진 '특성'이나 '유전자'를 혼합하고 변형하는 것이라고 이해할 수 있습니다. 그렇다면 아트브리더는 어떻게 이러한 혁명적인 이미지 생성을 가능하게 하는 것일까요? 이 질문의 해답은 바로 생성적 적대 신경망(Generative Adversarial Networks, GANs)이라는 인공지능 기술에 있습니다. 여러분은 혹시 'GAN'이라는 용어를 들어보셨을지 모르겠습니다. 생성적 적대 신경망은 두 개의 신경망, 즉 생성자(Generator)와 판별자(Discriminator)가 서로 경쟁하며 학습하는 독특한 구조를 가지고 있습니다.
생성자 네트워크는 실제와 유사한 이미지를 만들어내는 역할을 담당합니다. 마치 위조지폐범이 진짜 지폐와 구별하기 어려운 가짜 지폐를 만들어내려고 노력하는 것과 같다고 비유할 수 있습니다. 반면, 판별자 네트워크는 생성자가 만든 이미지가 실제 이미지인지 아니면 가짜 이미지인지 판별하는 역할을 수행합니다. 이는 위조지폐 감별사가 진짜 지폐와 가짜 지폐를 구별해내려고 애쓰는 모습과 흡사합니다. 이 두 네트워크는 서로 속이고 속아 넘어가는 과정을 반복하면서 점차 발전하게 됩니다. 생성자는 판별자를 속일 수 있을 정도로 더욱 정교하고 실제 같은 이미지를 만들어내려 노력하고, 판별자는 생성자가 만든 가짜 이미지를 더욱 정확하게 식별해내려 학습합니다. 이처럼 치열한 경쟁 과정을 통해 생성자는 결국 매우 사실적이고 독창적인 이미지를 창조할 수 있는 능력을 갖추게 되는 것입니다. 아트브리더는 이러한 GANs 기술을 기반으로, 사용자가 제공하는 입력 이미지들을 마치 '부모' 이미지처럼 활용하여, 이들로부터 '유전적' 특성을 물려받은 새로운 '자식' 이미지를 생성하는 방식으로 작동합니다. 즉, 사용자가 두 동물의 이미지를 제공하면, 이들의 특징을 조합하여 세상에 없던 새로운 동물의 이미지를 만들어내는 것이 바로 아트브리더의 핵심적인 마법이라고 할 수 있습니다.
| 구분 | 생성자 (Generator) | 판별자 (Discriminator) |
|---|---|---|
| 역할 | 새로운 데이터 (이미지) 생성 | 입력된 데이터가 실제인지 가짜인지 판별 |
| 목표 | 판별자를 속여 실제 같은 이미지 생성 | 생성자가 만든 가짜 이미지를 정확히 식별 |
| 학습 방식 | 판별자의 피드백을 통해 생성 능력 향상 | 실제 데이터와 생성된 데이터를 비교하며 판별 능력 향상 |
| 비유 | 위조지폐범 | 위조지폐 감별사 |
이미지 '유전자' 조작의 비밀: 잠재 공간(Latent Space)이란 무엇일까요?
아트브리더가 이미지를 합성하여 '새로운 품종'을 창조하는 능력의 근간에는 잠재 공간(Latent Space)이라는 매우 중요한 개념이 자리 잡고 있습니다. 여러분은 이 '잠재 공간'이라는 용어가 다소 생소하게 느껴질 수 있습니다. 쉽게 말해, 잠재 공간은 복잡한 이미지 데이터를 인공지능이 이해하고 조작하기 쉬운 형태로 압축하고 구조화한 가상의 '개념 지도'와 같습니다. 모든 이미지, 예를 들어 개나 고양이, 꽃 등의 이미지는 이 잠재 공간 내의 특정 지점(또는 벡터)으로 표현될 수 있습니다. 여기서 중요한 것은 이 잠재 공간의 각 축이나 방향이 이미지의 특정 '특성'이나 '속성'과 연결되어 있다는 점입니다. 예를 들어, 잠재 공간의 한 축은 '털의 색깔'을 나타낼 수 있고, 다른 축은 '귀의 모양'을 나타낼 수 있습니다. 이처럼 이미지의 다양한 시각적 특징들이 이 잠재 공간 안에서 의미 있는 벡터(vector) 값으로 인코딩되어 저장되는 것입니다.
아트브리더는 바로 이 잠재 공간을 활용하여 이미지를 '조작'합니다. 사용자가 두 개의 이미지를 선택하면, 아트브리더는 이 이미지들을 잠재 공간 내의 해당 지점들로 변환합니다. 그리고 이 두 지점 사이를 선형적으로 보간(interpolation)하거나 조합(combination)함으로써 새로운 중간 이미지를 생성하는 것입니다. 이는 마치 두 개의 다른 색상(예: 파란색과 노란색)을 혼합하여 새로운 색상(예: 초록색)을 만들어내는 것과 유사하다고 비유할 수 있습니다. 잠재 공간 안에서 두 이미지의 '유전자 정보'를 섞어 새로운 '개념'을 만들어내고, 이를 다시 이미지로 디코딩하는 과정이라고 할 수 있습니다. 따라서 사용자는 슬라이더를 조작하여 잠재 공간 내의 특정 '특성'을 조절함으로써, 이미지의 눈, 코, 입, 털의 질감, 배경색 등 다양한 요소를 미세하게 조정할 수 있게 되는 것입니다. 이런 방식으로 아트브리더는 단순히 픽셀을 합치는 것이 아니라, 이미지의 본질적인 특징들을 이해하고 조합하여 독창적인 결과물을 탄생시키는 것입니다.
아트브리더로 '새로운 품종' 동식물 창조하기: 실질적인 접근
이제 아트브리더의 이론적 배경을 이해하셨으니, 실제로 두 이미지를 합성하여 '새로운 품종'의 동식물을 어떻게 창조하는지 그 구체적인 과정과 팁을 알아보겠습니다. 아트브리더는 단순히 기존 이미지를 복제하는 것을 넘어, 우리의 상상력을 자극하고 전혀 새로운 시각적 존재를 탄생시키는 도구라는 점을 명심해야 합니다.
단계별 창조 과정: 씨앗을 뿌리고 키우는 것처럼
첫째, '부모'가 될 이미지를 신중하게 선택하는 것이 무엇보다 중요합니다. 마치 육종가가 우수한 형질을 가진 부모 동식물을 고르듯이, 여러분은 서로 다른 특징을 가진 두 가지 이상의 동식물 이미지를 선택해야 합니다. 예를 들어, 날렵한 치타와 웅장한 사자의 이미지를 조합하여 새로운 맹수를 만들거나, 화려한 난초와 소박한 들꽃을 섞어 미지의 식물을 창조할 수 있습니다. 이때, 선택하는 이미지들의 품질이 높을수록, 즉 해상도가 좋고 특징이 명확할수록 결과물의 디테일과 완성도가 훨씬 높아진다는 사실을 기억하시기 바랍니다. 저해상도나 흐릿한 이미지는 AI가 특징을 제대로 학습하고 조합하기 어렵게 만듭니다.
둘째, 선택한 이미지를 아트브리더에 업로드하고 '교배' 과정을 시작합니다. 아트브리더 인터페이스는 매우 직관적으로 설계되어 있습니다. 여러분은 두 이미지를 선택하여 '믹스(Mix)' 기능을 활성화할 수 있습니다. 이 과정은 마치 디지털 유전자 재조합과 같다고 할 수 있습니다. 시스템은 두 이미지가 가진 잠재 공간 내의 특징 벡터들을 추출하고, 이를 기반으로 새로운 중간 이미지를 생성합니다. 여기서 여러분은 각 부모 이미지로부터 물려받을 특성의 '비율'을 조절할 수 있는 슬라이더를 발견하게 될 것입니다. 이 슬라이더를 움직이는 것은 마치 새로운 생명체가 부모 중 어느 쪽의 유전자를 더 많이 물려받을지 결정하는 것과 같다고 비유할 수 있습니다. 50:50으로 설정하면 양쪽 특징이 균등하게 섞이고, 한쪽으로 치우치면 특정 부모의 특징이 더욱 강하게 나타나게 됩니다.
셋째, 생성된 이미지를 면밀히 관찰하고, 필요하다면 '유전자 변형'을 시도합니다. 이미지를 처음 생성하면 예상치 못한, 때로는 기괴하거나 때로는 놀랍도록 아름다운 결과물이 나타날 수 있습니다. 이것은 매우 자연스러운 현상입니다. 여러분은 생성된 이미지의 특정 부분을 미세하게 조정할 수 있는 다양한 '유전자' 슬라이더를 활용해야 합니다. 예를 들어, 동물의 눈 크기, 털의 질감, 색상 팔레트, 배경의 분위기 등을 조절할 수 있습니다. 이것은 단순히 색상을 바꾸는 것을 넘어, 이미지가 가진 고유한 특징 벡터를 직접적으로 건드리는 행위라는 것입니다. 마치 과학자가 유전자 편집 도구를 사용하여 생명체의 특정 형질을 바꾸는 것과 흡사하다고 할 수 있습니다. 아트브리더는 이러한 조작을 통해 원래 의도했던 것과는 다른, 완전히 새로운 방향으로 이미지를 발전시킬 수 있는 무한한 가능성을 제공합니다.
넷째, 만족스러운 결과물이 나올 때까지 이 과정을 반복하고, 창의적인 실험을 계속해야 합니다. 아트브리더는 한 번의 시도로 완벽한 결과물을 얻기보다는, 여러 번의 반복과 미세 조정을 통해 점진적으로 원하는 이미지에 도달하는 방식에 더 가깝습니다. 이는 마치 조각가가 하나의 작품을 완성하기 위해 수없이 망치질하고 다듬는 과정과 같다고 비유할 수 있습니다. 여러분은 다양한 부모 이미지를 시도하고, 믹스 비율을 변경하며, 여러 유전자 슬라이더를 실험적으로 조작함으로써 진정으로 독창적인 '새로운 품종'을 창조할 수 있습니다. 때로는 의도치 않은 조합에서 놀라운 결과가 탄생하기도 하니, 과감한 시도를 주저하지 마십시오.
창조를 위한 팁: 더 나은 '새로운 품종'을 위하여
아트브리더로 최고의 '새로운 품종'을 창조하기 위해서는 몇 가지 핵심적인 팁을 기억하는 것이 좋습니다. 여러분은 혹시 "그냥 막 섞으면 되는 거 아니야?" 라고 생각하실지 모르겠습니다. 하지만 전혀 그렇지 않습니다.
첫째, '장르' 또는 '카테고리'를 명확히 설정하는 것이 중요합니다. 아트브리더는 'Portrait', 'Landscape', 'Anime', 'Creature' 등 다양한 카테고리를 제공합니다. 여러분은 특정 카테고리 내에서 이미지를 조합하는 것이 훨씬 효과적이라는 것을 알게 될 것입니다. 예를 들어, 'Creature' 카테고리에서 동식물 이미지를 다루는 것이 'Landscape'에서 다루는 것보다 훨씬 자연스럽고 유기적인 결과물을 얻을 수 있습니다. 이는 각 카테고리별로 학습된 GAN 모델이 해당 분야의 특징을 더 잘 이해하고 있기 때문입니다. 즉, 동식물 창조에 특화된 모델을 사용하는 것이 훨씬 유리하다는 것입니다.
둘째, '변형 정도'를 세밀하게 조절하는 연습이 필요합니다. 아트브리더의 슬라이더는 단순히 좌우로 움직이는 것이 아닙니다. 각 슬라이더는 잠재 공간 내의 특정 차원을 의미하며, 그 움직임의 폭과 방향에 따라 이미지의 변화 양상이 극적으로 달라집니다. 얼핏 생각하면 크게 움직이는 것이 더 재미있다고 생각할 수도 있습니다. 하지만 실제로는 미세한 조절이 훨씬 더 섬세하고 자연스러운 결과물을 만들어내는 경우가 많습니다. 마치 요리사가 재료의 양을 정확하게 계량하듯이, 여러분은 슬라이더를 조심스럽게 조작하며 원하는 결과에 근접해야 합니다. 중요한 것은 각 슬라이더가 어떤 시각적 특징에 영향을 미치는지 이해하고 직관력을 키우는 것입니다.
셋째, '다양한 시작점'을 활용하는 것이 창의성을 극대화하는 방법입니다. 두 개의 이미지를 조합하는 것 외에도, 아트브리더는 랜덤한 시작점으로부터 이미지를 생성하거나, 기존에 생성된 다른 사용자의 이미지를 가져와 변형할 수 있는 기능을 제공합니다. 이는 마치 예측 불가능한 돌연변이를 통해 새로운 생명체가 탄생하는 것과 같다고 비유할 수 있습니다. 여러분은 때때로 완전히 새로운 랜덤 이미지를 시작점으로 삼아 예상치 못한 영감을 얻을 수 있습니다. 다른 사람의 창작물을 참고하여 자신만의 방식으로 재해석하는 것도 좋은 학습 방법입니다. 결론적으로, 아트브리더는 단순한 도구가 아니라, 무한한 창의적 실험을 가능하게 하는 디지털 연구소와 같다고 할 수 있습니다.
| 팁 종류 | 설명 | 핵심 효과 |
|---|---|---|
| 명확한 장르/카테고리 설정 | 'Creature' 등 동식물 관련 카테고리 내에서 작업. | 해당 분야 특화 모델의 효율성 극대화 및 자연스러운 결과 유도. |
| 세밀한 변형 정도 조절 | 슬라이더를 미세하게 조작하며 변화 양상 파악. | 섬세하고 자연스러운 이미지 생성, 원하는 결과에 정밀하게 접근. |
| 다양한 시작점 활용 | 랜덤 이미지 생성, 타 사용자 이미지 활용 등. | 예상치 못한 창의적 영감 획득 및 새로운 아이디어 발견. |
아트브리더의 한계와 미래: 진정한 창조는 가능한가?
아트브리더는 분명 혁명적인 도구이며, 이미지 합성의 새로운 지평을 열었습니다. 하지만 모든 기술이 그러하듯이, 아트브리더 또한 몇 가지 한계점을 내포하고 있습니다. 이러한 한계점들을 명확히 이해하는 것은 이 기술의 현재 위치를 정확히 파악하고 미래 발전 가능성을 가늠하는 데 필수적입니다.
첫째, 아트브리더는 '창조'보다는 '재조합'에 가깝다는 본질적인 한계가 있습니다. 여러분은 혹시 아트브리더가 아무것도 없는 무(無)에서 이미지를 창조한다고 생각하실지 모르겠습니다. 하지만 실제로는 그렇지 않습니다. 아트브리더의 기반이 되는 GANs 모델은 수많은 기존 이미지 데이터를 학습하여 그 패턴과 특징을 파악한 후, 이 학습된 지식을 바탕으로 새로운 이미지를 생성합니다. 이는 마치 언어 모델이 수많은 텍스트를 학습하여 새로운 문장을 생성하지만, 그 문장은 결국 기존 언어의 규칙과 패턴 안에서 움직이는 것과 유사하다고 할 수 있습니다. 즉, 아트브리더는 '전혀 본 적 없는' 것을 만들어내기보다는, '본 적 있는 것들의 조합'을 통해 새로운 것을 만들어내는 데 탁월합니다. 진정으로 아무것도 참조하지 않는 완전한 의미의 '창조'는 아직 인공지능의 영역 밖이라고 할 수 있습니다.
둘째, 사용자 의도를 100% 반영하기 어렵다는 통제력의 한계가 존재합니다. 아트브리더는 슬라이더를 통해 이미지의 다양한 특징을 조절할 수 있도록 하지만, 때때로 사용자가 의도하지 않은 결과가 나타나거나, 특정 디테일을 완벽하게 제어하기 어려운 경우가 발생합니다. 이는 잠재 공간의 각 차원이 때로는 여러 시각적 특징과 복합적으로 얽혀 있기 때문입니다. 예를 들어, 눈의 크기를 조절하려 했는데 동시에 얼굴형까지 미묘하게 변하는 현상이 발생할 수 있습니다. 이는 인공지능 모델이 학습한 데이터의 특성과 복잡성에 기인하며, 완벽한 통제는 여전히 도전 과제로 남아 있습니다.
셋째, '기괴함'과 '불쾌한 골짜기' 현상을 마주할 수 있습니다. 특히 동식물 이미지를 합성할 때, 각 부모의 특징이 어색하게 조합되어 다소 기괴하거나 불편함을 주는 '불쾌한 골짜기(Uncanny Valley)' 현상이 나타날 수 있습니다. 이는 인간의 뇌가 실제와 유사하지만 완벽하지 않은 대상을 접했을 때 느끼는 불쾌감과 유사합니다. 아트브리더는 두 이미지의 특징을 수학적으로 조합하지만, 그 결과물이 항상 시각적으로 아름답거나 자연스러운 것은 아니기 때문입니다. 이러한 불완전성은 현재 기술의 발전 단계에서 피할 수 없는 부분이며, 사용자의 섬세한 조절과 반복적인 시도를 통해 극복해야 할 과제이기도 합니다.
그렇다면 아트브리더와 같은 생성형 인공지능 기술의 미래는 어떨까요? 이러한 한계에도 불구하고, 아트브리더의 발전 가능성은 무궁무진하다고 할 수 있습니다. 인공지능 모델은 지속적으로 더 많은 데이터를 학습하고, 더욱 정교한 알고리즘을 통해 발전하고 있습니다.
첫째, 더욱 정교하고 미세한 제어 기능이 추가될 것입니다. 미래의 아트브리더는 사용자가 특정 픽셀 영역이나 특정 특징만을 선택적으로 조작할 수 있는 기능을 제공할 가능성이 높습니다. 이는 마치 전문적인 그래픽 소프트웨어에서 레이어를 분리하여 편집하듯이, 이미지의 각 요소를 더욱 독립적으로 제어할 수 있게 됨을 의미합니다. 이러한 발전은 사용자의 창작 의도를 더욱 정확하게 반영할 수 있도록 도울 것입니다.
둘째, 텍스트 기반 이미지 생성(Text-to-Image Generation)과의 통합이 가속화될 것입니다. 이미 달리(DALL-E), 미드저니(Midjourney)와 같은 텍스트 기반 이미지 생성 모델이 놀라운 성능을 보여주고 있습니다. 아트브리더가 이러한 텍스트 프롬프트 기능을 통합한다면, 사용자는 '날개 달린 사자'나 '보석으로 뒤덮인 꽃'과 같은 설명을 입력하여 초기 이미지를 생성한 후, 이를 아트브리더의 합성 및 변형 기능으로 더욱 발전시키는 것이 가능해질 것입니다. 이는 상상력을 구현하는 과정을 더욱 유연하고 강력하게 만들 것입니다.
셋째, 3D 모델링과의 연계가 강화될 것입니다. 현재 아트브리더는 주로 2D 이미지 생성에 집중하고 있지만, 미래에는 생성된 2D 이미지를 기반으로 3D 모델을 생성하거나, 3D 모델을 합성하여 새로운 형태의 3D 생명체를 만들어내는 기능이 도입될 수 있습니다. 이는 게임, 영화, 가상현실 등 다양한 분야에서 새로운 콘텐츠를 창조하는 데 혁명적인 영향을 미칠 것입니다.
결론적으로, 아트브리더는 단순한 이미지 합성 도구를 넘어, 인공지능이 우리의 상상력을 현실로 구현하는 데 얼마나 강력한 역할을 할 수 있는지 보여주는 살아있는 증거라고 할 수 있습니다. 비록 완벽하지 않은 부분이 존재하지만, 이러한 한계는 오히려 미래 기술 발전의 동력이 될 것입니다.
마무리하며: 당신 안의 창조 본능을 일깨우세요!
이번 포스팅을 통해 여러분은 아트브리더가 어떻게 두 이미지를 합성하여 '새로운 품종'의 동식물을 창조하는지, 그 기저에 깔린 인공지능 원리와 실질적인 활용 방법, 그리고 한계와 미래 가능성까지 심도 깊게 이해하셨을 것입니다. 우리는 생성적 적대 신경망(GANs)과 잠재 공간(Latent Space)이라는 다소 복잡한 개념이 어떻게 시각적인 창조로 이어지는지 살펴보았으며, 아트브리더가 단순히 이미지를 조합하는 것을 넘어, 인공지능이 이미지의 '본질적인 특징'을 이해하고 재구성하는 경이로운 과정이라는 것을 깨달았을 것입니다.
아트브리더는 더 이상 예술가나 특정 전문가만의 도구가 아닙니다. 여러분 안에는 누구에게나 새로운 것을 만들어내고 싶은 '창조 본능'이 내재되어 있습니다. 이 플랫폼은 그러한 본능을 자극하고, 단 몇 번의 클릭과 슬라이더 조작만으로 여러분의 상상력을 시각적인 현실로 구현할 수 있는 기회를 제공합니다. 물론, 처음부터 완벽한 결과물을 기대하기는 어렵습니다. 하지만 수많은 시도와 실험을 통해 여러분은 자신만의 독창적인 '디지털 생명체'를 탄생시키는 짜릿한 경험을 하게 될 것입니다.
가장 중요한 것은 바로 '실험 정신'과 '호기심'입니다. 두 개의 동식물 이미지를 선택하고, 과감하게 믹스 비율을 조절해보십시오. 눈, 코, 입, 털의 질감 등 다양한 '유전자' 슬라이더를 이리저리 움직여보며 어떤 변화가 일어나는지 관찰하십시오. 때로는 예상치 못한 조합에서 놀랍도록 아름다운 결과물이 탄생하기도 합니다. 마치 과학자가 미지의 생명체를 탐구하듯이, 여러분도 아트브리더의 잠재 공간 속에서 무한한 가능성을 탐험하며, 세상에 없던 새로운 시각적 존재들을 발견하고 창조할 수 있습니다.
아트브리더는 인공지능 시대에 예술과 창작의 정의를 확장하고 있습니다. 이제 붓이나 물감 없이도, 심지어 그림 실력이 없어도 누구나 자신만의 독특한 예술 작품을 만들어낼 수 있는 시대가 도래한 것입니다. 여러분의 컴퓨터 화면 속에서 탄생할 다음 '새로운 품종'의 동식물은 어떤 모습일지, 벌써부터 기대가 됩니다. 지금 바로 아트브리더에 접속하여, 여러분 안의 잠자는 창조 본능을 일깨우고 디지털 생명체를 탄생시키는 마법 같은 여정을 시작해보세요! 이 경험은 여러분에게 상상력의 한계를 넘어서는 새로운 영감을 선사할 것이라고 확신합니다.
참고문헌
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2014). Generative Adversarial Nets. Advances in neural information processing systems, 27.
Radford, A., Metz, L., & Chintala, S. (2015). Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. arXiv preprint arXiv:1511.06434.
Karras, T., Laine, S., & Aittala, M. (2019). A Style-Based Generator Architecture for Generative Adversarial Networks. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 4401-4410.
Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., ... & Amodei, D. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems, 33, 1877-1901.
Ramesh, A., Dhariwal, P., Nichol, A., Chu, C., & Chen, M. (2022). Hierarchical Text-Conditional Image Generation with CLIP Latents. arXiv preprint arXiv:2204.06125.