학습 샘플 수가 부족하거나 반복 횟수가 줄어들 때 생성된 이미지 품질이 급격히 저하되는 문제를 해결하기 위해 개선된 Fisher 기준에 기반한 심층 합성곱 생성 적대 신경망 알고리즘(FDCGAN)을 제안하였다. 이 방법은 판별 모델에 선형 계층을 추가하여 클래스 정보를 추출한다. 역전파 과정에서 Fisher 기반의 제약 기준을 사용하여 라벨과 클래스 정보를 결합하여 가중치 반복 조정 시 오류 최소화뿐만 아니라 클래스 내 거리는 작게, 클래스 간 거리는 크게 유지하여 가중치가 더 빠르게 최적값에 근접할 수 있도록 한다. 최신 6개 다양한 네트워크 모델과 비교 실험을 통해 FDCGAN 모델이 FID 지표에서 우수한 성능을 보였다. 또한 이 방법을 현재 선진 모델에 적용하여 일반화 테스트를 수행한 결과 모두 만족스러운 결과를 얻었다.

심층 합성곱 생성 적대 신경망;Fisher 기준;역전파 알고리즘;FID 평가 지표