이미지 LLM은 프롬프트에 뭐라고 쓰든 진짜 RGB 255/255/255 배경을 내놓지 못한다. Apiway의 White Studio 템플릿은 그것을 해낸다. LLM이 맡은 일을 끝낸 뒤에 돌아가는 4단계 후처리 파이프라인을 통해서다. 만들면서 마주친 실패 모드를 포함해 기술적으로 따라가 본다.
LLM이 이 일을 혼자 못 하는 이유
확산 모델은 학습 데이터의 통계적 패턴을 재현한다. 사진 학습 데이터 속 실제 제품 배경은 거의 문자 그대로의 순백이 아니다. 사이클로라마 벽은 약 95%의 알베도로 반사하고, 심리스 페이퍼는 그라데이션을 띠며, 센서 노이즈는 바닥 픽셀을 디지털 값 몇 단계만큼 끌어올린다. 모델은 “흰 배경”이 살짝 질감 있는 오프화이트를 뜻한다고 배웠다. (더 보기: 순백을 요청했는데도 왜 회색이 나오는가.)
모델에게 진짜 #FFFFFF를 요구하는 것은 학습 분포와 싸우는 일이다. 올바른 수는 모델이 최선의 이미지를 만들게 한 다음, 후처리 패스에서 배경색을 결정론적으로 강제하는 것이다.
1단계: 그림자를 보존하는 피사체 분할
전경(모델과 의류)을 하나의 마스크로, 발 아래 드리운 그림자를 별도의 부드러운 마스크로, 나머지를 배경으로 식별한다. 두 겹이 아니라 세 겹이다.
그림자 마스크는 대부분의 파이프라인이 놓치는 레이어다. 이것이 없으면 재합성에서 바닥 접점이 사라져 모델이 떠 있는 것처럼 보인다. 배경이 살짝 회색인 것보다 나쁜 일이다. 쇼핑객은 떠 있는 모습을 즉시 알아채기 때문이다. 이것이 있으면 모델은 땅에 발을 붙인 채로 남는다.
우리는 패션 사진의 예외적인 경계 상황을 특별히 다루도록 직접 학습시킨 분할 모델을 쓴다. 배경에 걸친 머리카락, 흘러내리는 원단의 가장자리, 실루엣이 단순하지 않은 벨트나 가방 같은 액세서리다.
2단계: 문자 그대로의 #FFFFFF 위로 재합성
목표 화면비(1:1, 4:5, 9:16 등)로 새 캔버스를 만들고 문자 그대로 RGB 255/255/255로 채운다. 그 위에 전경 피사체 마스크를 올린다. 흰 캔버스 위에는 부드러운 그림자 마스크를 낮춘 불투명도(원본 이미지에 따라 보통 15~35%)로 올린다.
이 단계에서 모서리 픽셀은 진짜 #FFFFFF다. Amazon 정책 준수 문제는 해결된다.
3단계: 가장자리의 알파 매팅
딱딱하게 오려 낸 가장자리는 합성한 티가 분명하게 난다. 특히 머리카락이 그렇다. 머리카락을 가로지르는 깔끔한 다각형 경계는 즉시 가짜로 읽힌다. 파이프라인은 학습된 알파 매팅 패스를 돌려서 가장자리를 부드럽게 하고, 가는 머리카락이 흰 배경 속으로 번지게 하고, 원단 가장자리의 질감을 보존한다.
이 단계가 제대로 맞추는 데 가장 오래 걸렸다. 초기 버전은 너무 번지거나(머리카락이 배경으로 스며듦) 너무 덜 번졌다(딱딱한 다각형 경계). 양산 버전은 LLM 결과물에서 원래 가장자리의 부드러움을 샘플링해 새 캔버스에서 그대로 맞춰 가며 그 사이의 줄을 탄다.
4단계: 전경 전체의 톤 보정
전경이 새 #FFFFFF 캔버스 위에 오르고 나면, LLM이 만든 원래 조명이 새 배경에 비해 조금 어색해 보일 수 있다. 모델은 오프화이트 원본에 맞춰 조명을 받았는데, 흰 캔버스는 더 밝고 대비가 거칠게 읽힐 수 있다.
작은 전역 톤 보정 패스가 전경의 균형을 다시 잡아서, 처음부터 이 배경에서 촬영한 것처럼 보이게 한다. 미묘하다. 보통 전경 휘도를 2~5퍼센트 조정하고, 원본의 조명이 따뜻했다면 화이트 밸런스를 아주 조금 이동한다.
만들면서 부딪힌 실패 모드
- 떠 있는 모델: 초기 버전은 그림자 마스크를 떨어뜨렸다. 드리운 그림자를 파이프라인 전체에서 별도의 레이어로 추적하는 방식으로 해결했다.
- 후광 가장자리: 분할이 원래 배경의 1픽셀 경계를 같이 잡았을 때 전경 둘레에 생기는 얇은 색 다른 고리. 전경 마스크를 1~2픽셀 줄이고 경계에서 알파 매팅을 쓰는 방식으로 해결했다.
- 머리카락 파편화: 가는 머리카락이 다각형 실루엣으로 잘리는 문제. 3단계의 알파 매팅 패스로 해결했다.
- 액세서리 가림: 벨트, 가방 끈, 주얼리 체인이 배경으로 잘못 분류되는 문제. 이런 클래스에 라벨을 붙인 패션 전용 데이터로 분할 모델을 학습시켜 해결했다.
성능과 비용의 모양
이 파이프라인은 처음부터 끝까지 양산 GPU 인프라에서 이미지당 대략 1.5~3초 안에 돈다. 비용은 샷당 크레딧 가격에 흡수되어 있으며, 사용자는 파이프라인을 별도의 청구 항목으로 보지 않는다. (가격 요약: 1크레딧은 1센트.)
이것이 진짜 제품 경쟁력인 이유
대부분의 패션 AI 도구는 파이프라인을 건너뛰어 Amazon의 규칙에 걸리는 약간 회색인 결과물을 내놓거나, 흰 배경 작업을 사용자에게 떠넘긴다(이미지마다 수동 포토샵 패스). Apiway는 이를 White Studio의 기본값으로 만든다. 템플릿을 떠나는 순간 결과물은 정책을 준수한다.
모서리 픽셀을 직접 확인해 보라
이미지를 한 장 생성해 보라: White Studio. 아무 이미지 편집기로 모서리 픽셀을 샘플링한다. RGB 255/255/255로 읽히는지 확인한다. 무료 계정은 150 크레딧을 일회성으로 받는다 실제 의류 파일로 검증하고 스트레스 테스트를 하기에 충분하다.