모든 디퓨전 모델은 너무 많이 다시 생성하면 얼굴이 흔들린다. 눈동자 색이 바뀌고, 광대뼈가 슬쩍 올라오고, 47번째 컷에서는 머리카락이 살짝 더 웨이브진다. 100개 SKU 카탈로그 전체로 보면 브랜드는 모델 100명을 보여 주는 꼴이 된다. 패션 AI의 일관된 정체성 문제를 기술적으로 정리하고, Apiway가 내놓은 제작 수준의 해법을 소개한다.
정체성은 애초에 왜 흔들리는가
디퓨전 모델은 확률적이다. 생성 과정은 무작위 노이즈에서 출발해, 프롬프트와 참고 입력이 이끄는 노이즈 제거 궤적을 따라 걷는다. 프롬프트도 시드도 설정도 똑같아도 궤적의 작은 수치 차이가 출력된 얼굴에 작은 차이를 낳는다. 생성을 거듭할수록 그 작은 차이가 누적된다.
같은 모델이 수십 장, 수백 장의 컷에 등장해야 하는 패션 카탈로그 작업에서 이 흔들림은 브랜드에 일관된 이미지와 돌려 가며 캐스팅해 찍은 것 같은 카탈로그를 가르는 차이다.
“같은 프롬프트를 쓰면 되지” 하는 방법이 실패하는 이유
대부분의 팀이 처음 떠올리는 방법은 프롬프트를 고정하는 것이다. 모델에 대한 상세한 설명을 쓰고, 템플릿으로 저장하고, 생성할 때마다 붙여 넣는다. 이 방법은 통하지 않는다. 이유는 이렇다.
- 자연어 프롬프트는 얼굴 하나를 특정하기에는 해상도가 너무 낮다. “갈색 머리, 갈색 눈, 갸름한 얼굴, 20대 중반”은 하나가 아니라 수천 개의 가능한 얼굴을 묘사한다.
- 프롬프트만으로 잡은 정체성은 시드에 안정적이지 않다. 같은 프롬프트에 시드만 다르면 다른 얼굴이 나온다.
- 시드를 고정해도 구도가 조금만 달라지면(다른 옷, 다른 프레이밍) 모델이 흔들릴 수 있다.
실제로 통하는 세 가지 기법
우리는 스택의 서로 다른 층위에서 세 가지 접근법을 조합해 쓴다.
1. 프리셋 모델 정체성. White Studio는 여성 약 50명과 남성 약 10명의 프리셋 AI 패션 모델을 제공한다. 각 프리셋은 학습된 임베딩 앵커와 시드에 안정적인 생성 파라미터의 조합으로 만든 안정적인 정체성이다. 프리셋을 고르면 구조상 모든 생성에서 같은 얼굴이 나온다.
2. 참고 이미지 조건화. 사용자가 참고 사진(실제 모델, 브랜드 앰배서더)을 업로드하면 생성 과정의 초기 노이즈 제거 단계에서 그 참고 이미지를 조건으로 삼는다. 옷과 프레이밍이 바뀌어도 출력된 얼굴은 참고한 정체성에 가깝게 유지된다.
3. 실제 크리에이터 앵커링(할리우드 방식). 라이프스타일 이미지에서 가장 확실한 접근법은 AI 얼굴을 아예 건너뛰는 것이다. 마켓플레이스 의 크리에이터 사진 세트는 정의상 흔들리지 않는 실제 사람의 얼굴을 제공한다. 그냥 진짜 사진이기 때문이다. AI는 옷을 씌우는 일만 한다.
흔들림의 실제 수치
프롬프트만으로 정체성을 고정한 처음부터의 생성에서는 100컷에 걸친 정체성 흔들림이 상당하다. 같은 실제 인물을 찍은 사진들 사이의 자연스러운 변동보다 지각적 얼굴 거리 점수가 5~10배 높게 나오는 것을 우리는 일상적으로 측정한다.
White Studio의 프리셋 기반 생성에서는 100컷에 걸친 흔들림이 같은 사람을 찍은 사진의 편차와 대략 비슷하다. 대충 보는 사람에게는 구별되지 않고, 꼼꼼히 보는 사람에게는 눈에 띈다.
크리에이터 사진 세트 앵커링에서는 구조상 흔들림이 없다(얼굴은 모든 오버레이에 걸쳐 재사용되는 실제 사진이다).
각 기법을 쓸 때
- 프리셋 모델: 깔끔한 AI 패션 모델이 허용되는 카탈로그와 상세 페이지 작업.
- 참고 이미지 업로드: 브랜드 앰배서더 작업, 창업자 초상을 일관된 얼굴로 쓰는 경우, 맞춤 캐스팅 결정.
- 크리에이터 사진 세트: 라이프스타일, 광고 소재 등 쇼핑객의 신뢰 신호가 가장 중요한 모든 곳. (배경: 할리우드 VFX 방식.)
100+ SKU 카탈로그를 위한 운영 패턴
카탈로그 작업을 시작할 때 모델 접근법을 고정하자. 그 선택(프리셋 이름, 참고 사진 파일, 크리에이터 세트 ID)을 브랜드 시스템 자산으로 문서화하자. 제작자에게는 분명히 알려 두자. 모델은 SKU마다 정하는 것이 아니라 브랜드가 정하는 결정이다.
시즌 리프레시 때 모델 접근법을 바꾸는 일은 브랜드 컬러 팔레트를 바꾸는 것과 똑같이 다루자. 조용한 흔들림이 아니라 의도적이고 공유된 브랜드의 진화여야 한다.
이 방식이 방어 가능한 이유
정체성의 일관성은 패션 AI에서 기술적 해법이 이번 주에 가장 좋은 LLM이 무엇이냐가 아니라 제품 수준의 선택에 실제로 달려 있는 몇 안 되는 영역이다. 프리셋 학습, 참고 이미지 조건화, 마켓플레이스 앵커링의 조합은 다음 파운데이션 모델이 나와도 낡아지지 않는 스택이다. 파운데이션 모델 위에 놓여 그것이 어떻게 쓰이는지를 통제한다.
50컷 흔들림 테스트 해 보기
White Studio 프리셋 하나를 골라 서로 다른 옷과 프레이밍으로 생성을 50번 돌리자. 그리드로 펼쳐 보자. 프롬프트만으로 고정해서는 맞출 수 없을 만큼 그리드 전체에서 얼굴이 안정적이어야 한다. 무료 계정에는 150 크레딧이 한 번 지급된다 전체 테스트를 돌리기에 충분하다.