적대적 학습에서, 판별기는 종종 생성기의 학습을 성공적으로 이끄는데 실패한다. 판별기가 실제 영상과 만들어진 영상을 구별함에 있어 특징을 효과적으로 추출하여 이용하는 데 부족함을 보였기 때문이다.
이러한 문제를 완화하기 위해, 본 논문은 지나친 학습량 및 연산량 추가나 기존 네트워크 구조에 대한 과도한 수정 없이 GAN (Generative Adversarial Network)의 성능을 눈에 띄게 향상시키는 기법을 제안한다. 제안하는 기법은 판별기에 새로운 CR (Cascading Rejection) 모듈을 추가하여, 반복적인 벡터 차 연산을 통해 중복되지 않는 다양한 특징들을 효과적으로 추출하여 이용할 수 있다. 추출된 다차원의 특징들은 판별기가 하나의 무의미한 특징에 집중하게 되는 문제를 차단하여 구별 성능을 높인다. 이는 생성기가 실제 영상과 더욱 유사한 영상을 생성하는 우수한 결과로 이어진다. 게다가, 제안하는 CR 모듈은 적은 양의 간단한 벡터 연산만을 요구함으로 추가적인 부담이 거의 없이 기존 네트워크에 쉽게 적용할 수 있다.
다양한 데이터셋에 대해 광범위하게 진행된 실험을 기반으로, 본 논문에서 제시하는 기법이 기존 GAN 기반 구조들의 성능을 효과적으로 개선하는 것을 FID (Frechet Inception Distance) 측면에서 정량적으로 증명한다. 또한, 높은 화질에 이르기까지 실제로 눈에 보기 좋은 다양한 영상을 생성할 수 있음을 보여준다.