강화학습 기반 자동 수묵 붓놀림 생성

초록

본 논문은 수묵화의 핵심인 부드럽고 자연스러운 붓놀림을 자동으로 생성하기 위해 브러시를 강화학습 에이전트로 모델링한다. 행동·상태·보상 함수를 수묵화 특성에 맞게 설계하고, 정책 탐색을 통해 최적의 붓 경로를 학습한다. 실험을 통해 제안 방법이 기존 방식보다 더 자연스러운 스트로크를 생성함을 입증한다.

상세 분석

이 연구는 전통적인 수묵화의 미학을 디지털 환경에 구현하기 위해 강화학습(RL) 프레임워크를 도입한 점이 가장 혁신적이다. 기존의 수묵 시뮬레이션은 주로 물리 기반 모델링이나 규칙 기반 스트로크 생성에 의존했으며, 복잡한 장면을 추상화하고 부드러운 곡선을 재현하는 데 한계가 있었다. 논문은 이러한 한계를 극복하기 위해 브러시를 에이전트로 보고, 환경(state)과 행동(action)을 명시적으로 정의한다.

행동 설계는 브러시의 기본 움직임인 이동, 회전, 압력 조절을 연속적인 액션 벡터로 표현한다. 이는 수묵화에서 흔히 보이는 ‘굵기 변화’와 ‘잉크 번짐’ 효과를 자연스럽게 모사할 수 있게 한다. 상태 표현은 현재 붓 위치, 잉크 농도, 캔버스의 잔여 잉크 양, 그리고 주변 픽셀의 명암 정보를 포함한다. 특히, 명암 정보를 통해 에이전트가 목표 이미지의 윤곽을 추적하도록 유도한다는 점이 주목할 만하다.

보상 함수는 세 가지 주요 요소로 구성된다. 첫째, 목표 이미지와 현재 스트로크가 일치하는 정도를 측정하는 픽셀 기반 유사도 보상이다. 둘째, 스트로크의 부드러움을 평가하는 곡률 제어 보상으로, 급격한 방향 전환을 억제한다. 셋째, 잉크 사용 효율성을 고려한 비용 보상으로, 과도한 잉크 사용을 방지한다. 이러한 다중 목표 보상은 정책이 미적 품질과 물리적 제약을 동시에 만족하도록 만든다.

학습 알고리즘으로는 정책 그라디언트 기반의 Proximal Policy Optimization(PPO)을 채택했으며, 이는 샘플 효율성과 안정성을 동시에 제공한다. 실험에서는 다양한 풍경 및 인물 스케치를 대상으로 학습을 진행했으며, 정량적 지표(SSIM, PSNR)와 정성적 평가(전문가 설문) 모두에서 기존 물리 기반 방법보다 우수한 성능을 보였다. 특히, 에이전트가 학습 후에도 새로운 이미지에 대해 적응형 스트로크를 생성할 수 있다는 점은 일반화 능력이 뛰어남을 시사한다.

전체적으로 이 논문은 강화학습을 예술 창작 도구에 적용함으로써, 전통 미술의 섬세함을 디지털화하는 새로운 패러다임을 제시한다. 향후 다중 브러시 협업, 스타일 전이, 인터랙티브 피드백 루프 등으로 확장될 가능성이 크다.