Z-Image와 Z-Image Turbo를 결합한 분할 시그마 워크플로우 가이드

작성자가 직접 제작한 워크플로우와 프롬프트 예시가 매우 구체적이어서 긍정적인 반응을 얻었으며, 특히 모델 간 호환성을 활용한 접근 방식에 대해 많은 관심이 집중되었다.

• 구도가 중요한 작업에서는 Chroma나 Z-Image Base로 먼저 시작하고 Turbo 모델은 나중에 적용하라.
• Flux VAE를 사용하는 모델끼리는 별도의 변환 없이 잠재 데이터를 직접 연결할 수 있다.
• 고해상도 디테일이 필요한 영역은 SAM3를 이용해 마스킹한 후 부분 인페인팅을 수행하라.

분할 시그마 기법(Split Sigma)

— 샘플링 과정에서 노이즈 스케줄(Sigma)을 특정 지점에서 분할하여 서로 다른 모델이 작업을 이어받도록 하는 기법이다. 구도 설정에 강한 모델과 디테일 표현에 강한 모델을 순차적으로 적용하여 각 모델의 장점만을 결합할 수 있다.

잠재 공간(Latent Space)

— 이미지 데이터를 압축된 형태의 벡터로 표현한 고차원 공간이다. 확산 모델은 이 공간에서 노이즈를 제거하며 이미지를 생성하며, 동일한 VAE를 사용하는 모델끼리는 이 잠재 데이터를 공유하여 협업할 수 있다.

변분 오토인코더(VAE)

— 이미지를 잠재 공간으로 압축하거나 다시 이미지로 복원하는 신경망 구조이다. Flux VAE와 같은 특정 VAE 표준을 공유하는 모델들은 서로 생성 중인 데이터를 주고받을 수 있는 호환성을 갖게 된다.

디노이징(Denoising)

— 잠재 공간의 노이즈를 단계적으로 제거하여 형상을 찾아가는 과정이다. 디노이징 강도(Denoise Strength)를 조절함으로써 원본 구도를 얼마나 유지할지 또는 얼마나 새로운 디테일을 추가할지 결정한다.

세그먼트 애니싱 모델 3(SAM3)

— 이미지 내의 특정 객체나 영역을 정교하게 분할(Segmentation)하는 AI 모델이다. 이 워크플로우에서는 특정 영역만을 추출하여 고해상도로 다시 그리는 인페인팅 과정의 마스크 생성 도구로 활용된다.