데이터 전처리	• 128 x 128 리사이즈 • 수평뒤집기(RandomHorizontalFlip, p = 0.5) • Normalize([-1, 1]) → GAN류 모델은 Generator 마지막 actiavtion이 tanh 여서 학습할 실제 이미지 데이터도 같은 이미지로 맞춰줌
공통 실험 조건	• Optimizer: Adam(lr=0.0002, betas(0.5, 0.999) • Batch size: 64 • Epochs: 1000 • 20 epoch 마다 • 생성 샘플 이미지 저장(outputs/samples/epoch-XXXX.png) • 판별자/생성자 평균 손실 기록 • FID, MS-SSIM 평가 + logs.csv 기록 • 손실/FID/MS-SSIM 곡선 그래프 업데이트

모델별 설명

DCGAN	• GAN의 가장 기본 구조 • 합성곱 신경망 기반 Generator & Discriminator • Baseline 모델
WGAN-GP	• Wasserstein GAN + Gradient Penalty • DCGAN 대비 학습 안정성⬆️, 모드 붕괴⬇️ • 작은 데이터셋에 특히 유리
AEGAN	• VAE + GAN 결합 • 잠재공간 정규화(KL) + 재구성 손실 + 적대적 손실 • 보다 다양한 모드 생성 기대
StyleGAN2-ADA	• 최신 StyleGAN2 + Adaptive Discriminator Augmentation • 소량 데이터셋에서 과적합 방지 효과 큼 • GPU 자원 요구⬆️ → 코랩 프로로 돌려야 할수도..

📂 출력물 정리

• outputs/samples/epoch-XXXX.png : 10 epoch마다 생성 샘플 그리드

• outputs/checkpoints/ckpt-XXXX.pt : 10 epoch마다 저장된 가중치

• outputs/fid_samples/epoch_XXXX/ : FID/MS-SSIM 평가용 생성 샘플들

• outputs/logs.csv : epoch,g_loss,d_loss,fid,ms_ssim

• outputs/plots/loss_curves.png : 손실 곡선

• outputs/plots/fid_curve.png : FID 곡선

• outputs/plots/ms_ssim_curve.png : MS-SSIM 곡선

📝 이용 가이드

1. 공통 조건(optimizer, lr, batch, epoch 등)은 절대 변경 금지

2. 모델별로 모델 구현 셀만 수정
   • DCGAN / WGAN-GP / AEGAN → 템플릿 내 모델 클래스 교체
   • StyleGAN2-ADA → 별도 레포(NVlabs)에서 학습(폴더를 따로 만들어서), 템플릿에는 샘플/평가만 adapter로 통합