생성 캐릭터 얼굴 변화 측정 기록

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

작성자는 1월부터 7월까지 생성한 가상 해안 마을 캐릭터 이미지 240장을 모아 얼굴이 달라졌는지 측정했습니다. 동공 간격을 500픽셀로 정규화한 비교에서 August 이미지는 January 앵커보다 입이 236픽셀에서 261픽셀로 넓어지고 이마 높이가 402픽셀에서 431픽셀로 증가했으며 턱 폭은 604픽셀에서 578픽셀로 줄었습니다. 오른쪽 눈 아래 점도 전체 이미지 240장 중 214장에 나타났지만 August의 새 이미지 20장에서는 6장에만 나타났습니다. 다만 프롬프트가 41단어에서 96단어로 17차례 수정되고 모델도 세 종류로 바뀌어 도구 변화와 작성자 수정의 영향을 분리할 수 없었으며, 이를 해결하기 위해 8월부터 고정 프롬프트·모델·Seed를 사용하는 월별 기준 수집을 시작했습니다.

실용적 조언

장기간 생성 캐릭터의 일관성을 추적하려면 시작 시점에 프롬프트와 모델을 고정한 기준 세트를 만들고, 같은 조건의 이미지를 정기적으로 저장하는 편이 적절합니다.
이미지 간 치수를 비교할 때는 동공 간격 같은 공통 기준으로 크기를 통일하고, 정렬·흑백 변환·측정자 오차 기준을 사전에 정해 두는 것이 좋습니다.
생성 결과가 마음에 들지 않을 때 프롬프트를 계속 누적 수정하면 원인 추적이 어려워지므로, 기준 프롬프트는 보존하고 개별 이미지 수정이나 별도 버전 기록으로 대응하는 방식이 안전합니다.

섹션별 상세

작성자는 1월 첫째 주부터 7월 마지막 주까지 같은 가상 해안 마을 이야기의 캐릭터를 생성한 이미지 240장을 날짜, 사용 모델, 전체 프롬프트, 가능한 경우 Seed, 보관 여부와 함께 기록했습니다. 이 가운데 정면 구도와 중립 표정, 균일한 조명, 얼굴을 가리지 않는 조건을 만족하는 38장만 서로 비교 가능한 앵커로 분류됐고, 1월 앵커는 12장인 반면 7월 앵커는 2장에 그쳤습니다. 앵커가 특정 시기에 몰린 분포 자체가 시기별 비교의 신뢰도를 낮추는 요인으로 남았습니다.

작성자는 1월 프롬프트를 수정하지 않은 채 August에 새 이미지 20장을 만들고, 기존 앵커와 새 이미지를 동공 간격 500픽셀로 맞춘 뒤 흑백 변환과 눈 사이 중간점 정렬을 적용했습니다. 측정자 자신의 오차를 확인하기 위해 January 앵커 8장의 치수를 서로 다른 날 세 번 읽었고, 판독값이 최대 4픽셀 움직였기 때문에 8픽셀 미만의 차이는 모델 변화가 아니라 측정 오차로 처리했습니다. 이 기준으로 입 너비는 236픽셀에서 261픽셀로, 이마선 높이는 402픽셀에서 431픽셀로 늘었고 턱 너비는 604픽셀에서 578픽셀로 줄어들었습니다.

수치 변화는 얼굴 아래쪽이 좁아지고 위쪽이 커지는 방향으로 모였으며, 작성자가 4월부터 느낀 인상과 일치했습니다. 특히 오른쪽 눈 아래의 작은 점은 전체 240장 중 214장에 있었지만, 1월 프롬프트로 생성한 August 이미지 20장에서는 6장에만 나타났습니다. 점의 출현 빈도와 얼굴 치수 변화가 함께 기록되면서 단순한 기억이나 취향 변화만으로 보기 어려운 차이가 확인됐습니다.

그러나 August 비교군은 1월에 사용하지 않았던 세 번째 모델로 생성됐고 프롬프트도 41단어에서 96단어로 늘어나는 동안 약 17차례 수정됐습니다. 작성자는 특정 이미지의 문제를 고치려던 문구를 프롬프트에 조금씩 흡수했고, 눈 색상 표현도 자신이 언제 바꿨는지 기억하지 못한다고 기록했습니다. 따라서 측정 결과는 얼굴이 이동했다는 사실은 뒷받침하지만, 그 원인이 모델 변화인지 프롬프트 수정인지 작성자 개입인지까지는 판별하지 못합니다.

재현 가능한 비교를 위해 작성자는 8월 1일부터 수정하지 않는 하나의 프롬프트, 고정된 하나의 모델, 지원되는 경우 동일한 Seed, 매월 첫날 생성하는 이미지 10장을 기준 세트로 모으기 시작했습니다. 이 자료가 쌓이면 월별 동일 조건의 변화와 프롬프트 및 모델 교체의 영향을 분리할 수 있으며, 작성자는 약 6개월 뒤인 3월경 의미 있는 판단이 가능할 것으로 예상했습니다. 현재는 캐릭터 프롬프트를 더 이상 고치지 않고 문제가 있는 이미지마다 개별 수정하거나 제외하는 방식으로 기록 체계를 유지하고 있습니다.

용어 해설

앵커 이미지(Anchor Image): — 생성 캐릭터의 외형을 비교하기 위해 고른 기준 이미지입니다. 정면 시선, 중립 표정, 균일한 조명, 얼굴을 가리지 않는 조건을 갖춘 이미지 38장이 앵커로 분류됐습니다. 이 조건을 맞춰야 시기별 얼굴 차이를 같은 기준에서 잴 수 있습니다.
교란 변수(Confounding Variable): — 측정된 변화의 원인을 하나로 좁히지 못하게 만드는 요인입니다. 이 사례에서는 프롬프트가 41단어에서 96단어로 17차례 수정됐고 이미지 모델도 세 종류로 바뀌었습니다. 따라서 얼굴 변화가 도구의 변화인지 작성자의 수정 때문인지 분리할 수 없습니다.
차이 모드(Difference Mode): — 두 이미지를 겹친 뒤 픽셀 차이를 시각적으로 드러내는 비교 방식입니다. 작성자는 January와 August 이미지를 GIMP의 레이어로 쌓고 difference mode를 적용했습니다. 이 방법으로 이마와 턱의 차이를 빠르게 확인한 뒤 수치 측정으로 보완했습니다.
Seed: — 이미지 생성 과정의 초기 난수 상태를 고정하는 값입니다. 같은 Seed를 지원하는 환경에서 이를 유지하면 생성 결과의 변동 요인을 줄일 수 있습니다. 작성자는 향후 매월 같은 모델과 프롬프트를 사용하고 Seed도 가능한 경우 고정할 계획입니다.
픽셀 정규화(Pixel Normalization): — 이미지마다 크기와 위치가 달라도 동일한 기준으로 치수를 비교하도록 맞추는 절차입니다. 작성자는 양쪽 동공 사이 거리를 500픽셀로 통일하고 두 눈의 중간점을 기준으로 정렬한 뒤 흑백 변환을 거쳤습니다. 그 결과 입, 이마선, 턱, 코의 폭과 높이를 픽셀 단위로 비교했습니다.

언급된 도구

APOB중립

가상 캐릭터 이미지를 생성하는 데 사용된 도구입니다.

GIMP중립

생성 이미지들을 레이어로 쌓고 difference mode로 픽셀 차이를 비교하는 데 사용된 이미지 편집 도구입니다.