Improving Generative Quality in Low-Dimensional VAE Latent Spaces via FID-Guided VAE-GMM Model Selection

변분 오토인코더(VAE)는 고차원 입력 데이터를 연속적인 저차원 잠재공간으로 표현할 수 있어 잠재공간 기반 생성에 널리 사용된다. 그러나 복원 오차나 ELBO(Evidence Lower Bound)의 개선이 곧 생성 품질 향상을 의미하지는 않는다. 본 논문은 각 epoch의 VAE 잠재평균 집합에 가우시안 혼합 모델(GMM)을 적합하여 VAE-GMM 생성기를 구성하고, 생성 샘플과 검증 데이터 집합 사이의 FID(Fréchet Inception Distance)를 이용해 검증 집합 FID가 가장 낮은 epoch를 선택하는 방법을 제안한다. MNIST, Fashion-MNIST, SVHN, CIFAR10 실험에서 제안 방법은 마지막 epoch까지 학습된 VAE-GMM 기준선보다 일관되게 낮은 시험 FID를 보였고, Fashion-MNIST와 SVHN에서는 비교한 VAE 계열 모델 중 가장 낮은 FID를 달성하였다.