Perpustakaan Digital ITB

Generative Adversarial Networks (GANs) telah berkembang secara luas sebagai pendekatan generatif untuk menghasilkan citra sintetis dengan tingkat realisme yang tinggi. Seiring dengan perkembangan aplikasi generative model, kebutuhan terhadap citra hasil generasi tidak lagi terbatas pada aspek realisme semata, tetapi juga mencakup berbagai karakteristik visual dan objective tertentu sesuai kebutuhan domain, seperti kualitas visual, struktur komposisi, maupun preferensi perseptual lainnya. Kondisi tersebut mendorong integrasi berbagai fungsi loss tambahan ke dalam proses pelatihan GAN, guna mengarahkan model menghasilkan citra dengan karakteristik visual yang lebih spesifik. Salah satu karakteristik visual yang banyak mendapat perhatian adalah aspek estetika, seperti keseimbangan komposisi dan kualitas warna, karena dinilai mampu meningkatkan kualitas persepsi terhadap citra yang dihasilkan. Namun, penambahan multiple objectives pada proses pelatihan GAN menimbulkan permasalahan multi-objective optimization yang kompleks. Ketidakseimbangan pembobotan antar-loss berpotensi mengganggu keseimbangan optimasi multi-objektif sehingga memengaruhi proses adversarial learning dan kualitas model generatif. Berdasarkan permasalahan tersebut, penelitian ini bertujuan merumuskan kerangka pembobotan pada GAN multi-objektif serta mengembangkan strategi pembobotan loss adaptif yang mampu mempertahankan peran adversarial loss sebagai primary objective sekaligus mengoptimalkan auxiliary objectives untuk menghasilkan karakteristik visual yang diinginkan. Penelitian ini mengusulkan strategi hybrid adaptive loss weighting dengan pendekatan adversarial anchoring, dengan mempertahankan adversarial loss sebagai primary objective untuk menjaga proses adversarial learning, sementara auxiliary losses disesuaikan secara dinamis selama pelatihan. Pendekatan ini diimplementasikan pada framework GAN dengan mengintegrasikan Rule of Thirds loss dan Colorfulness loss sebagai representasi auxiliary objectives. Untuk mengevaluasi efektivitas metode yang diusulkan, penelitian membandingkan tiga strategi pembobotan loss, yaitu static weighting, Gradient Normalization (GradNorm), dan Dynamic Weight Average (DWA), masing-masing dalam skenario anchored dan non-anchored. Seluruh eksperimen dilakukan menggunakan dataset CIFAR-10 dengan evaluasi yang mencakup kualitas generatif, kualitas ii estetika, serta stabilitas pelatihan model melalui pengukuran Fréchet Inception Distance (FID), Inception Score (IS), aesthetic metrics, dan analisis tren loss selama proses pelatihan. Hasil penelitian menunjukkan bahwa integrasi auxiliary objectives pada GAN secara konsisten mampu meningkatkan kualitas estetika citra yang dihasilkan tanpa menyebabkan penurunan yang berarti pada kualitas generatif model. Di antara strategi pembobotan yang dievaluasi, pendekatan GradNorm dengan adversarial anchoring memperoleh nilai FID sebesar 71,47 dan IS sebesar 4,82, lebih baik dibandingkan static weighting (FID 74,31) maupun GradNorm tanpa anchoring (FID 434,10). Penelitian ini menghasilkan kerangka pembobotan pada GAN multi-objektif yang membedakan peran adversarial loss sebagai primary objective dan auxiliary objectives sebagai tujuan optimasi untuk menghasilkan karakteristik visual tertentu. Kerangka tersebut diimplementasikan melalui strategi pembobotan hibrida berbasis adversarial anchoring, yang memberikan kontribusi konseptual dan metodologis terhadap pengembangan optimasi GAN multi-objektif serta memperluas pemahaman mengenai peran primary objective dan auxiliary objectives dalam pembelajaran generative model.