현업의 이미지 요청을 검수 가능한 작업 유형으로 바꾸고, 생성·편집·보정 도구를 연결했습니다.
이미지 생성·편집ComfyUIPhotoshopFrontend / Backend
8가구 작업 유형
35피드백 요구사항
1,200공식 페인트 색상
해결할 문제
상세페이지 제작의 반복 작업을 줄이려면 제품의 형태·색상·재질을 보존하면서 요청한 변화를 적용해야 했습니다. 단일 도구로 모든 작업을 처리하기보다, 작업별 적용 조건과 한계를 먼저 확인했습니다.
직접 구현한 일
01
가구 이미지 작업 8개 유형에 입력·목표 레퍼런스·프롬프트·평가표를 묶고, 4라운드 실험으로 제품 보존과 요청 반영 여부를 검수했습니다.
02
신상품 피드백의 요구사항 35건을 분석해 신규 생성 → 영역 편집 → ComfyUI 구조 마감 → Photoshop 최종 보정의 흐름을 제안했습니다.
03
공식 1,200색 데이터를 활용한 페인트 웹 도구를 구현했습니다. 벽색 적용 결과를 다음 단계의 기준 이미지로 사용해 시간대 무드와 앵글을 바꾸도록 구성했습니다.
결과와 검수
배경 생성·화질 개선·가상 모델은 바로 활용할 수 있는 작업으로, 객체 삭제·세트 구성·도면 실사화·미촬영 색상은 입력과 검수 조건이 필요한 작업으로 구분했습니다.
비율 확장이 불안정한 요청은 입력 캔버스를 먼저 가공하고 목표 구도 이미지를 함께 사용했습니다. 도구의 성공 사례와 제한 조건을 다음 작업의 입력 기준으로 남겼습니다.
01요청 분석제품 보존·변경 조건
02도구 선택생성 / 영역 편집
03구조·디테일 보정ComfyUI / Photoshop
04검수와 기록적용 가능 / 조건부
가구 이미지 8개 작업 유형 · 원본과 결과 전체
객체 삭제 원본객체 삭제 결과배경 생성 원본배경 생성 결과다중 객체 세트 원본다중 객체 세트 결과2D 도면 실사화 원본2D 도면 실사화 결과화질 개선 원본화질 개선 결과가상 모델 생성 원본가상 모델 생성 결과콘텐츠 생성 원본콘텐츠 생성 결과미촬영 색상 생성 원본미촬영 색상 생성 결과
벽 컬러 적용과 카메라 앵글 보정
원본 방벽 컬러 적용애매한 앵글 원본앵글 보정 결과
낮부터 밤까지 · 시간대 무드 6단계
낮늦은 오후골든아워해질녘블루아워밤
02 / DATA → MODEL → APPLICATION
인물 동일성 학습과 웹 제작 도구 개발
2026.07–09데이터 제작 · LoRA 학습 · 프론트엔드·백엔드 개발
한 장의 얼굴에서 학습 데이터를 만들고, 학습한 모델을 실제 장면 편집과 평가로 연결했습니다.
LoRAComfyUIInpaintingFrontend / BackendGPU 처리
48선별 학습 이미지
7학습 버전 비교
2직접 개발한 웹 도구
해결할 문제
각도·표정·헤어·조명이 달라져도 같은 인물의 특징을 유지해야 했습니다. 얼굴 유사도만 높이는 학습은 피부와 배경을 과도하게 고정할 수 있어, 자연스러움까지 함께 비교해야 했습니다.
직접 구현한 일
01
FaceMake에서 이미지·영상 생성, 프레임 추출, 조명·헤어 보정과 후보 선별을 연결했습니다. 사람이 채택한 보정 이미지 24장과 영상 프레임 24장으로 학습 세트를 구성했습니다.
02
7개 학습 버전의 조건과 체크포인트를 비교했습니다. 얼굴 유사도, 피부 질감, 각도 대응과 과적합을 함께 확인하며 모델을 선택했습니다.
03
FaceChange에서 LoRA·마스크·라운드별 강도를 제어하고 ComfyUI 처리와 연결했습니다. 실행 조건·평가 저장, 전후 비교와 이전 결과 복원을 구현했습니다.
결과와 검수
학습 데이터 제작용 FaceMake와 장면 적용용 FaceChange를 각각 만들고, 검수 결과가 다음 데이터·학습 선택으로 이어지는 흐름을 구성했습니다.
머리 전체와 얼굴 중심을 구분해 편집 범위를 조절했습니다. 학습을 늘릴 때 피부가 부자연스러워지는 사례도 기록해 모델 선택의 기준으로 사용했습니다.
01FaceMake생성·프레임 추출·선별
0248장 데이터이미지와 캡션 구성
03LoRA 학습조건·체크포인트 비교
04FaceChange적용·평가·이력 복원
기준 인물을 다른 장면에 적용
FaceMake · 기준 얼굴FaceChange · 학습한 인물 LoRA 적용
데이터 선별부터 편집 영역 검수까지
FaceMake · 각도·표정 생성 조건 선택추출 프레임과 이미지 보정본을 비교·채택FaceChange · 저장한 편집 결과 비교머리 전체와 얼굴 중심의 편집 마스크
프레임 보정과 채택 비교 전체
헤어와 조명 보정 전 프레임귀 주변 헤어와 조명을 바꾼 채택본기본 조명의 얼굴 프레임따뜻한 측면 조명을 적용한 얼굴모델 표정의 추출 프레임머리카락 질감과 조명이 달라진 채택 프레임
학습 데이터 48장 전체
왼쪽, 학습 이미지 1왼쪽, 학습 이미지 2왼쪽, 학습 이미지 3왼쪽, 학습 이미지 4왼쪽, 학습 이미지 5, 이미지 Gen 보정 채택왼쪽, 학습 이미지 6, 이미지 Gen 보정 채택오른쪽, 학습 이미지 7오른쪽, 학습 이미지 8오른쪽, 학습 이미지 9오른쪽, 학습 이미지 10오른쪽, 학습 이미지 11, 이미지 Gen 보정 채택오른쪽, 학습 이미지 12, 이미지 Gen 보정 채택옆얼굴 · 무표정, 학습 이미지 13옆얼굴 · 무표정, 학습 이미지 14, 이미지 Gen 보정 채택옆얼굴 · 무표정, 학습 이미지 15옆얼굴 · 무표정, 학습 이미지 16옆얼굴 · 무표정, 학습 이미지 17, 이미지 Gen 보정 채택옆얼굴 · 무표정, 학습 이미지 18, 이미지 Gen 보정 채택모델 표정, 학습 이미지 19모델 표정, 학습 이미지 20, 이미지 Gen 보정 채택모델 표정, 학습 이미지 21모델 표정, 학습 이미지 22, 이미지 Gen 보정 채택모델 표정, 학습 이미지 23, 이미지 Gen 보정 채택모델 표정, 학습 이미지 24옆얼굴 · 미소, 학습 이미지 25, 이미지 Gen 보정 채택옆얼굴 · 미소, 학습 이미지 26, 이미지 Gen 보정 채택옆얼굴 · 미소, 학습 이미지 27옆얼굴 · 미소, 학습 이미지 28, 이미지 Gen 보정 채택옆얼굴 · 미소, 학습 이미지 29옆얼굴 · 미소, 학습 이미지 30, 이미지 Gen 보정 채택자연스러운 미소, 학습 이미지 31자연스러운 미소, 학습 이미지 32, 이미지 Gen 보정 채택자연스러운 미소, 학습 이미지 33자연스러운 미소, 학습 이미지 34, 이미지 Gen 보정 채택자연스러운 미소, 학습 이미지 35, 이미지 Gen 보정 채택자연스러운 미소, 학습 이미지 36, 이미지 Gen 보정 채택아래 보기, 학습 이미지 37아래 보기, 학습 이미지 38아래 보기, 학습 이미지 39, 이미지 Gen 보정 채택아래 보기, 학습 이미지 40아래 보기, 학습 이미지 41, 이미지 Gen 보정 채택아래 보기, 학습 이미지 42, 이미지 Gen 보정 채택위 보기, 학습 이미지 43위 보기, 학습 이미지 44위 보기, 학습 이미지 45위 보기, 학습 이미지 46, 이미지 Gen 보정 채택위 보기, 학습 이미지 47, 이미지 Gen 보정 채택위 보기, 학습 이미지 48, 이미지 Gen 보정 채택
각도·표정별 48장입니다. 동일 파일을 서로 다른 학습 항목으로 사용한 경우도 원본 순서대로 표시했습니다.
학습 설정 A·B·C 비교
설정 A 학습 결과 샘플설정 B 학습 결과 샘플설정 C 학습 결과 샘플
실제 장면 편집 전후 비교
편집 전 · FaceChange 입력 이미지편집 후 · 학습한 인물 LoRA 적용 결과
같은 장면의 입력과 변환 결과를 나란히 비교했습니다. 얼굴과 헤어의 편집 범위는 위의 인페인트 마스크 화면에서 확인할 수 있습니다.
03 / FRONTIER MODEL DEVELOPMENT
이미지·VLM·TTS 파인튜닝과 학습 테스트
2026 · 02월 LoRA·06월 Flow Matching·TTS 기록데이터 전처리 · 분산 학습 환경 · 비교 평가 도구 구현
Rectified Flow·Flow Matching 기반 이미지 학습 환경과 한국어 음성 파인튜닝을 구성하고, 로그와 생성 결과를 함께 비교했습니다.
학습이 실행되는지 확인하는 것과 제작에 쓸 수 있는 결과를 고르는 것은 별도의 문제였습니다. 데이터 품질, 학습 조건, 추론 조건을 기록하고 같은 입력으로 베이스 모델과 학습 모델을 비교할 수 있도록 구성했습니다.
직접 구현한 일
01
NVIDIA B200 8장 환경에서 CC12M 이미지 데이터와 FLUX.2 VAE를 활용한 Latent Flow Matching 학습 테스트를 진행했습니다. 레이턴트 변환·학습·VAE 디코딩을 연결하고 TensorBoard의 loss·epoch·progress 기록을 확인했습니다.
02
ai-toolkit 기반 Z-Image LoRA 파인튜닝에서는 Flow Matching 스케줄러·샘플러, bf16, gradient checkpointing과 latent 캐시를 적용했습니다. rank·alpha·학습률·스텝·캡션·Text Encoder·EMA 조건을 비교하고 체크포인트를 ComfyUI 추론에 연결했습니다. 이미지와 언어를 함께 다루는 VLM 파인튜닝도 진행했습니다.
03
MOSS-TTS 한국어 Full SFT와 v1.5 LoRA/PEFT를 수행했습니다. 원본 발화의 ASR 전사·구간 분리·품질 필터와 오디오 코드 변환을 연결하고, 초기 rank 16 학습부터 rank 32·64 후속 실험까지 조건과 생성 결과를 기록했습니다. 32GB GPU 환경에서 튜닝 결과와 음성 생성을 테스트했습니다.
결과와 검수
한국어 발화를 전처리하고 LoRA 학습·미세 조정을 진행했습니다. 학습용·검증용 데이터를 나누고, 동일 문장과 참고 음성을 사용하는 비교로 발음·억양·말속도와 후처리 영향을 확인했습니다.
이미지는 얼굴 동일성·피부·포즈·과적합을, 음성은 화자 특성·자연스러움·말속도와 후처리 영향을 검수했습니다. 학습 로그와 실제 생성 결과를 함께 보며 조건을 선택했습니다.
CC12M 이미지와 FLUX.2 VAE 레이턴트를 연결한 이미지 학습 테스트입니다. 2026년 6월 22일 보관한 TensorBoard 이벤트에서 train/loss·train/epoch·train/progress를 확인하고 loss 추이를 다시 그렸습니다.
CC12M Latent Flow Matching · 학습 loss 추이
TensorBoard의 train/loss 원본 기록과 1,000개 기록 이동 평균
231,259개 loss 기록을 대조했습니다. 연한 선은 화면 표시를 위해 간격을 두고 추출한 원본 값이고, 진한 선은 전체 기록으로 계산한 이동 평균입니다. 가로축은 이벤트 파일의 TensorBoard step입니다.
이 이벤트 파일에는 생성 이미지가 저장되어 있지 않아 학습 진행 기록으로 제시했습니다. 얼굴 LoRA 적용 사례와 Flow Matching 학습 로그는 별개의 실험입니다.
VOICE MODEL / SOURCE TO OUTPUT
한국어 음성 모델 파인튜닝과 품질 평가
한국어 발화를 전처리하고 MOSS-TTS LoRA를 학습했습니다. 32GB GPU 환경에서 튜닝 결과와 음성 생성을 테스트하고, 동일 문장과 참고 음성을 기준으로 화자 특성·발음·억양·말속도를 검수했습니다.
01데이터 전처리
전사·구간 분리·품질 필터를 거친 발화를 학습 데이터로 구성했습니다.
02학습·미세 조정
LoRA 조건을 비교하고 학습 결과에 추가 미세 조정을 적용했습니다.
03동일 입력 평가
문장과 참고 음성을 고정해 기준 모델과 튜닝 모델을 검수했습니다.
04음성 후처리
노이즈·음량 처리를 학습 결과와 구분해 평가했습니다.
01 / DATA → LORA
한국어 발화 전처리와 LoRA 학습
원본 발화를 전사·구간 분리·품질 필터링하고 오디오 코드로 변환했습니다. 학습과 검증 데이터를 구분해 튜닝 결과를 평가했습니다.
데이터와 학습 구성
작업
적용 내용
전처리
ASR 전사·발화 구간 분리·품질 필터
학습
오디오 코드 변환·LoRA·bf16
평가
동일 입력의 기준 모델·튜닝 모델 비교
생성 조건 비교 문장과 참고 음성을 고정하고 생성 결과를 함께 검수했습니다.
검수 기록
화자 특성·문장 끝 처리·발음·억양·말속도를 함께 확인했습니다.
02 / FINETUNING → EVALUATION
학습 조건 비교와 후속 미세 조정
rank·배치·학습량·학습률을 바꾸어 조건을 비교했습니다. 검증 loss와 실제 생성 결과를 함께 확인해 적용 후보를 선택했습니다.
실험과 검수 기준
실험
확인한 부분
기준 모델
안정적인 발음과 문장 연결
미세 조정
화자 특성과 자연스러움
표현력 비교
억양·말속도·표현의 변화
생성 조건 생성 조건을 기록하고 모델 학습·샘플링·후처리의 영향을 구분했습니다.
검수 기록
여러 설정이 함께 바뀐 실험의 차이를 특정 변수 하나의 효과로 단정하지 않았습니다.
검증 loss를 화자 유사도나 청취 품질 점수로 해석하지 않았습니다.
03 / AUDIO POSTPROCESS
음성 후처리와 품질 검수
생성 음성에 노이즈 제거·대역 필터·음량 정규화·리미터를 적용하고 처리 전후를 비교했습니다.
후처리 효과를 모델 학습 결과와 구분해 검수했습니다.
보관된 학습·평가 기록을 바탕으로 작업 과정과 검수 기준을 정리했습니다.
04 / FASHION IMAGE SYSTEM
상품 조건을 반영하는 패션 룩북 제작 도구
2026.01–10기준 자산·상품 데이터 설계 · 생성·검수 워크플로우 · 수정 웹 개발
얼굴·헤어·포즈 자산과 상품 데이터를 연결해 룩북 생성·수정 도구를 만들었습니다. 최근에는 완성컷에서 구축한 의상 참고 DB를 재사용하고, 새 착장·포즈·컬러 변경을 비교 검증했습니다.
LoRA / Inpainting상품 메타데이터Reference DB · JSON/CSVFrontend / Backend이미지 생성·편집 API
123건실제 생성 결과 · 2026.10.05 기준
40개의상 참고 크롭 · 품번·색상 29종
30건의상 DB 기반 생성 · A15 / B15
13건컬러 변경 비교 · 반복 2건 포함
해결할 문제
좋아 보이는 이미지라도 실제 상품의 길이·색상·핏이 다르면 룩북에 사용할 수 없었습니다. 상품 데이터와 참고 이미지의 역할을 분리하고, 고객 검수에서 나온 오류를 수정 방식별로 나눴습니다.
직접 구현한 일
01
초기 포즈 베이스 20개를 제작·전처리하고 각도별 얼굴과 헤어를 학습했습니다. 5월에는 포즈 후보 67장을 비교하고 48컷의 구조화된 기준 자료를 정리했습니다.
02
상품 메타데이터, 얼굴·포즈 기준, 마네킹 상품컷과 길이·핏 가이드를 입력별 역할에 연결했습니다. 수정 웹에서는 대상 영역·오류를 지정하고 전후 결과, 얼굴 복원과 부분 재생성 기록을 비교하도록 구현했습니다.
03
완성컷 20장의 상·하의에서 참고 크롭 40개를 추출하고 품번·색상·출처별 JSON/CSV 인덱스를 만들었습니다. 상의 15종·하의 14종의 품번·색상 조합을 조회하고 손·팔이 보이는 참고 자산을 선별했습니다.
04
의상 DB 기반 8장 입력으로 A/B 비율 각 15건을 생성했습니다. 같은 상품 참고를 다른 비율·포즈에 적용하는 비교와, 기존 핏 크롭·목표 컬러 마네킹을 분리한 6장 입력의 컬러 변경 13건을 진행했습니다.
05
포즈 전환 20건과 착장·기장 가이드·컬러 변경 결과를 통합 보고서에 연결했습니다. 입력·출력 해시와 요청 ID를 보존해 재실행의 중복 요청을 막고, 전신과 원본 픽셀 밑단 크롭에서 신발·배색·기장 오류를 기록했습니다.
결과와 검수
2026년 10월 5일 기준 8개 카테고리의 실제 생성 결과 123건을 정리했습니다. 의상 참고 DB는 크롭 파일과 조회용 JSON/CSV로 구성했고, 저장한 품번·색상 조합 29종 모두를 DB 기반 생성 입력에 사용했습니다.
핏 기준과 색상 기준을 분리해 상의·하의 단독 컬러 변경과 배색 변경을 비교했습니다. 컬러 변경 13건에는 같은 조건의 반복 생성 2건이 포함돼 있습니다. 아래에는 최신 착장 12컷, 컬러 전후 3쌍과 포즈 전환 2건을 원본 입력과 함께 배치했습니다.
생성 완료와 상품 품질 합격을 구분했습니다. 밑단·신발·배색 오류와 주름·발 위치의 변화를 남겨, 다음 수정에서 어느 입력과 조건을 보완할지 확인할 수 있게 했습니다.
2026.10.05 · 상품 데이터를 재사용한 최신 착장 12컷
A09 · 리본 블라우스 + 블랙 팬츠 · 턱인A10 · 아이보리 블라우스 + 세피아 팬츠 · 턱인A11 · 배색 상의 + 브라운 팬츠 · 턱아웃A12 · 벨트 재킷 + 블랙 팬츠A13 · 네이비 재킷 + 블랙 팬츠A14 · 브라운 재킷 + 베이지 팬츠 · 신발 재검수A15 · 짧은 재킷 + 브라운 팬츠 · 밑단 재검수B11 · 리본 재킷 + 베이지 팬츠B12 · 배색 상의 + 그레이 팬츠 · 턱아웃B13 · 그레이 상의 + 그레이 팬츠 · 턱아웃B14 · 블루 블라우스 + 아이보리 팬츠 · 기장 재검수B15 · 블랙 배색 상의 + 블랙 팬츠 · 배색 재검수
저장된 상·하의 크롭과 상품 메타데이터로 새로운 조합을 생성한 A 7컷·B 5컷입니다. A14의 신발, B15의 칼라·소매 배색, B14 등의 기장 오류를 별도 검수 대상으로 기록했습니다. 생성 완료 건수이며 상품 품질 합격 건수는 아닙니다.
상품 데이터 재사용 · 원본 포즈와 A09 생성 결과
입력 · 인물·비율·포즈 기준결과 · 저장된 상품 크롭으로 새 착장 생성
크림 리본 블라우스·블랙 팬츠·스니커즈를 새로 조합하고 상의의 턱인 조건을 반영했습니다.
A09에 실제 투입한 참고 데이터 · 8장
01 · 인물·포즈 기준02 · DB 상의 크롭03 · 상의 디테일 104 · 상의 디테일 205 · DB 하의 크롭06 · 하의 디테일 107 · 하의 디테일 208 · 신발 참고
포즈·주 상품 크롭·부분 디테일·신발의 역할을 분리했습니다. 상의의 품번·색상 메타데이터에서 턱인/턱아웃 조건을 조회해 적용했습니다.
2026.10.05 · 상의 단독 컬러 변경 · 아이보리 → 다크 그레이
변경 전 · 아이보리 상의 / 브라운 팬츠변경 후 · 다크 그레이 상의 / 브라운 팬츠
목 리본·시스루 소매·턱인과 하의 색상 계열을 참고했습니다. 리본의 접힘·주름·밑단에는 차이가 있습니다.
2026.10.05 · 상의 배색 변경 · 그레이 → 블랙·연파랑
변경 전 · 그레이 상의 / 블랙 팬츠변경 후 · 블랙 몸판·연파랑 칼라·소매 / 블랙 팬츠
기존 상의 핏 크롭과 목표 컬러 마네킹의 역할을 분리했습니다. 배색과 턱아웃을 반영했고 소매·밑단·발 방향 차이를 검수했습니다.
2026.10.05 · 하의 단독 컬러 변경 · 그레이 → 블랙
변경 전 · 베이지 재킷 / 그레이 팬츠변경 후 · 베이지 재킷 / 블랙 팬츠
재킷의 색상 계열과 주요 디자인을 참고하면서 바지 컬러를 바꿨습니다. 주름·명도·발 방향이 달라 완전 고정으로 판정하지 않았습니다.
배색 변경에 실제 투입한 입력 · 핏과 컬러 기준 분리
01 · 원본 인물·포즈02 · 기존 상의 핏 크롭03 · 목표 상의 컬러 마네킹04 · 기존 하의 핏 크롭05 · 유지할 하의 컬러 마네킹06 · 기존과 같은 신발
6장 입력에서 기존 착장 크롭은 디자인·핏 기준, 검증된 마네킹컷은 색상·배색 기준으로 사용했습니다. 이 모드에는 별도 디테일컷이나 길이 가이드를 투입하지 않았습니다.
2026.10.03 · 완성컷의 착장을 새 포즈로 전환 · A 비율
입력 1 · 변경할 포즈 기준입력 2 · 기존 착장 완성컷결과 · 새 포즈에 맞춘 착장
착장 완성컷과 새 포즈 2장을 사용하는 전환 실험입니다. 색상·주요 디자인·착용 상태와 함께 주름·밑단·신발 위치의 변화를 비교했습니다.
2026.10.03 · 완성컷의 착장을 새 포즈로 전환 · B 비율·가이드 2
입력 1 · 변경할 포즈 기준입력 2 · 기존 착장 완성컷결과 · 새 포즈에 맞춘 착장
착장 완성컷과 새 포즈 2장을 사용하는 전환 실험입니다. 색상·주요 디자인·착용 상태와 함께 주름·밑단·신발 위치의 변화를 비교했습니다.
기준 얼굴·헤어·각도·포즈 자산 전체
얼굴 부분 합성 결과기준 얼굴·생머리 자료로우번 자료웨이브 측면 자료보관 각도 이미지보관 각도 이미지구조화 자산구조화 자산구조화 자산
상품·포즈·길이 가이드와 생성 결과
포즈 기준상의 상품 참고하의 상품 참고소매 길이 가이드바지 밑단 가이드이미지 Gen 결과
얼굴·마스크·밑단 수정과 품질 검수 전체
12실제 비교 시트밑단 수정 실험실제 편집 마스크오픈 인페인팅 모델9/21 실제 HTML 보고서 캡처
05 / AI CAMPAIGN PRODUCTION
같은 모델로 이어가는 브랜드 시즌 화보
2026 · 시즌 화보 제작인물 기준 선정 · 이미지 제작 · 고객 피드백·최종 마감
150컷 이상을 제작하며 브랜드 모델의 동일성, 의상과 장면의 완성도, 고객 검수까지 하나의 제작 과정으로 관리했습니다.
Face / Product SwapLoRA후보 비교디테일 보정Upscale
150+전체 제작 컷
100공개 두 브랜드 최종 납품 컷
최대 4차컷별 피드백 반영
해결할 문제
시즌마다 모델 섭외와 촬영을 반복하지 않고 같은 브랜드 인물로 화보를 이어가고 싶다는 요구가 있었습니다. 인물 기준을 먼저 고정하고, 의상·포즈·장면을 바꾸면서도 같은 사람으로 보이도록 제작했습니다.
직접 구현한 일
01
브랜드별 정면·측면·표정 기준을 선정하고 인물 학습과 장면별 얼굴 교체를 연결했습니다. 얼굴·머리 영역을 단계적으로 다듬어 각도와 조명에 맞췄습니다.
02
한 장면에서 기본 후보 10컷과 표정 변형 5컷을 비교한 기록을 남겼습니다. 선택한 결과의 피부·손·소품·의상 디테일을 보정하고 업스케일했습니다.
03
메인·서브·와이드컷으로 구성을 나누고, 컷별 피드백을 최대 4차까지 반영해 최종본을 확정했습니다.
결과와 검수
전체 화보 제작 규모는 150컷 이상입니다. 아래 공개 사례는 그중 브랜드 A·B 각 50컷, 최종 납품 100컷에 해당합니다.
인물 기준 → 연출 → 얼굴 교체 → 후보 비교 → 디테일 마감 → 피드백의 반복 가능한 제작 흐름을 구축했습니다.
브랜드 인물의 정면·측면·연출 기준
기준 얼굴기준 얼굴기준 얼굴
장면과 포즈를 구성한 연출 원본
연출컷 원본연출컷 원본연출컷 원본
인물 교체 전후 · 전체 컷과 얼굴 확대
BeforeAfterBeforeAfter
기본·표정 후보 비교
후보후보후보후보
디테일 보정·업스케일 전후
BeforeAfter
브랜드 A · 공개 원본의 최종 화보 12장 전체
브랜드 A 최종 화보 1브랜드 A 최종 화보 2브랜드 A 최종 화보 3브랜드 A 최종 화보 4브랜드 A 최종 화보 5브랜드 A 최종 화보 6브랜드 A 최종 화보 7브랜드 A 최종 화보 8브랜드 A 최종 화보 9브랜드 A 최종 화보 10브랜드 A 최종 화보 11브랜드 A 최종 화보 12
브랜드 B · 공개 원본의 최종 화보 12장 전체
브랜드 B 최종 화보 1브랜드 B 최종 화보 2브랜드 B 최종 화보 3브랜드 B 최종 화보 4브랜드 B 최종 화보 5브랜드 B 최종 화보 6브랜드 B 최종 화보 7브랜드 B 최종 화보 8브랜드 B 최종 화보 9브랜드 B 최종 화보 10브랜드 B 최종 화보 11브랜드 B 최종 화보 12
06 / AVATAR TOOL & RENDERER
생성 이미지에서 움직이는 아바타까지
2026.09 검수 기록파츠 제작 도구 · 리깅 편집기 · 렌더링 엔진 개발
AI로 만든 캐릭터를 파츠·표정·리깅과 연결하고, 직접 구현한 웹 편집기와 렌더러에서 움직이도록 만들었습니다.
WebGL2Mesh / Weight / KeyformAI 파츠 제작영상 매팅TTS
해결할 문제
생성 이미지 한 장만으로는 고개·눈·입을 자연스럽게 움직일 수 없었습니다. 파츠의 역할과 좌표, 변형 기준을 관리하고 전체 포즈를 함께 검사하는 제작 도구가 필요했습니다.
직접 구현한 일
01
원화·레이어 관리, 눈·입 파츠 보강, 각도 기준 이미지·회전 프레임 선별을 연결하는 Avatar Live Studio를 개발했습니다.
02
본·메시·웨이트·키폼을 편집하는 웹 도구와 WebGL2 렌더러를 구현했습니다. 부위 간 변형 기준을 통일해 고개 회전 시 입술이 눌리는 문제를 개선했습니다.
03
매 프레임 반복되는 텍스처 업로드 병목을 찾아 캐시·업로드 구조를 개선했습니다. 강아지 캐릭터는 영상 매팅과 음성 합성·대사·안내 오버레이를 연결해 방송에 사용했습니다.
결과와 검수
캐릭터·표정 제작 도구, 리깅 편집기, 전체 동작 검수와 방송용 캐릭터를 구성했습니다.
동일 캐릭터·검수 경로의 A/B 측정에서 CPU draw p95가 1,174.6ms에서 63.2ms로 감소했습니다. 이 수치는 해당 렌더링 경로의 측정값입니다.
01캐릭터·파츠원화·레이어·눈·입
02각도 기준회전 프레임 제작·선별
03리깅 편집본·메시·웨이트·키폼
04렌더링·검수전체 포즈와 성능 비교
실제 제작·검수에 사용한 캐릭터
리깅 검수용 캐릭터 · 루미아방송용 강아지 모션 자산의 대표 프레임
캐릭터 자산을 보여주는 이미지이며, 방송 녹화 화면은 아닙니다.
눈 파츠를 제어 가능한 표정으로 연결
열린 눈반쯤 감긴 눈감긴 눈
07 / MULTI-DEVICE AI SERVICE
글래스·모바일·서버를 잇는 AI 기록·학습 서비스
2026.08–09 작업 기록앱·웹 개발 · 음성 처리 서버 · 디바이스 연동
회의와 학습 정보를 필요한 순간에 확인하도록 화면·입력·연산을 글래스, 휴대폰, 서버에 나눴습니다.
Frontend / BackendWhisper / VAD / TitaNetBluetoothiPhone / Apple Watch글래스 UI
해결할 문제
휴대폰의 긴 화면과 복잡한 조작을 그대로 글래스에 옮길 수 없었습니다. 576×288 화면, 한 화면 5줄, 탭·스와이프 입력에 맞춰 정보와 기능의 위치를 다시 설계했습니다.
