AI 캐릭터 생성에서는 이미지 한 장이 아름답더라도, 여러 장면에서 헤어스타일, 복장, 얼굴 특징이 변하면 제품 품질이 저하됩니다. 본고에서는 생성 결과를 감각만으로 판단하지 않고, 재현 가능한 지표로 확인하는 방법을 정리합니다.

이 기사는 Ponys.ai 팀이 캐릭터 이미지와 단편 영상의 검증에서 사용하고 있는 관점을 일반화한 기술 메모입니다.

기준 이미지와 생성 이미지로부터 얼굴 임베딩 (Face Embedding)을 취득하여 코사인 유사도 (Cosine Similarity)를 계산합니다.

from numpy import dot
from numpy.linalg import norm
def cosine_similarity(a, b):
...

단일 임계값 (Threshold)만으로 합격 여부를 결정하지 않고, 정면, 옆모습, 표정 변화별로 분포를 저장하는 것이 안전합니다.

머리카락, 눈동자, 주요 의상을 세그먼트화 (Segment)하고, Lab 색 공간 (Lab Color Space)에서 색차를 측정합니다. RGB 거리보다 지각 차이에 가까우며, 조명 변화와 설정 붕괴를 구분하기 쉽습니다.

의상을 다음과 같은 구조화된 속성으로 분해합니다.

• 상의 종류
• 주색 및 보조색
• 장식품
• 소매 길이
• 신발 형태

각 속성을 0/1로 평가하고, 중요도를 부여한 평균을 취합니다. 캐릭터 설정상 중요한 장식품에는 높은 가중치를 설정합니다.

외형의 일관성과 포즈 재현성을 동일한 스코어로 처리하면 원인 분석이 어려워집니다. 골격 키포인트 (Skeleton Keypoint)의 오차는 포즈 지표로, 얼굴 및 의상은 외형 지표로 별도로 유지합니다.

실제 비교용 이미지는 AI 이미지 생성 페이지와 캐릭터 이미지 갤러리처럼, 입력 조건과 생성 목적을 나누어 확인할 수 있는 구성이 편리합니다.

정지 영상에서 합격하더라도, 영상화하면 프레임 간에 눈이나 머리 장식이 흔들리는 경우가 있습니다. 짧은 구간마다 특징량 (Feature)을 추출하고, 인접 프레임 차분의 중앙값과 95 퍼센타일 (95th Percentile)을 저장합니다.

이미지에서 영상으로의 생성에서는 시작 프레임뿐만 아니라 중간 프레임과 종료 프레임도 확인 대상으로 합니다.

처음에는 다음 12가지 케이스로 충분합니다.

• 정면 · 보통 표정
• 정면 · 웃는 얼굴
• 좌우 옆모습
• 상반신과 전신
• 밝은 곳과 어두운 곳
• 실내와 실외
• 2종류의 의상
• 3초 이상의 단편 영상

캐릭터를 신규 생성하는 단계에서는, 생성 플로우 (Flow)에서 기준 이미지와 설명문을 고정하고, 평가 세트별로 프롬프트 (Prompt) 변경 이력을 남깁니다.

품질 개선에서 중요한 것은 최고의 한 장을 선택하는 것이 아니라, 동일한 캐릭터가 조건 변경 후에도 유지되는지를 지속적으로 측정하는 것입니다. 얼굴, 색상, 의상, 포즈, 시간적 일관성을 분리하면, 모델 변경이나 프롬프트 변경에 따른 회귀 (Regression)를 특정하기 쉬워집니다.