다중 스케일 지도 스타일 전이를 위한 GAN 기반 프레임워크

초록

본 논문은 GIS 벡터 데이터를 입력으로 하여, 구글 지도·오픈스트리트맵·예술 회화 등 다양한 목표 스타일을 학습하고, 멀티스케일(줌 레벨 1‑20) 지도에 자동으로 적용하는 두 가지 GAN 모델(Pix2Pix, CycleGAN)을 제안한다. 생성된 지도 이미지가 원본 지도 특성을 유지하는지를 판단하기 위해 Inception‑v3 기반 이진 분류기(IsMap)를 구축해 정량적 평가를 수행하였다. 실험 결과, GAN이 스타일 전이에 유망함을 보였지만, 기호 가독성, 스케일 일관성, 학습 데이터 부족 등 해결 과제가 남아 있음을 확인하였다.

상세 분석

이 연구는 지도 스타일링이라는 전통적인 카토그래피 문제에 최신 딥러닝 기법을 적용한 시도이다. 먼저 원시 OSM 벡터를 단순 색상·투명도로 시각화해 “간단 스타일(simple styled)” 지도 타일을 생성하고, 구글 지도와 예술 회화 이미지를 “목표 스타일(target styled)” 타일로 사용하였다. 두 스타일 집합을 256×256 픽셀, EPSG:900913 좌표계의 웹 타일 형태로 정렬함으로써, 멀티스케일(줌 레벨 1‑20)에서 동일한 지리적 영역을 비교 가능하게 만들었다.

스타일 전이 모델로는 (1) Pix2Pix와 (2) CycleGAN을 선택했다. Pix2Pix는 지도‑지도 쌍(pair) 데이터를 필요로 하므로, 동일 지역·동일 줌 레벨에서 OSM 타일과 구글 지도 타일을 정렬해 학습시켰다. 이때 L1 손실을 추가해 생성 이미지가 실제 목표 이미지와 픽셀‑레벨에서 가깝게 만들었다. 반면 CycleGAN은 쌍이 없는 경우에도 적용 가능하도록 설계돼, 예술 회화와 지도 타일처럼 시각적 도메인이 완전히 다른 데이터셋에도 스타일 전이를 수행했다. CycleGAN은 두 도메스 간의 순환 일관성(cycle‑consistency) 손실을 도입해, X→Y→X 변환 후 원본과의 차이를 최소화한다.

학습 과정에서 생성기(G)와 판별기(D)가 동시에 최적화되는 전형적인 적대적 손실을 사용했으며, Conditional GAN 구조를 통해 목표 스타일 정보를 조건으로 제공했다. 특히, Pix2Pix는 조건이 정확히 매핑된 이미지 쌍이므로 보다 세밀한 기호 색상·두께·투명도 등을 보존하는 경향이 있었고, CycleGAN은 전반적인 색조·텍스처 변환에 강점을 보였지만 세부 기호 형태는 종종 왜곡되었다.

생성된 지도 이미지의 품질을 객관적으로 평가하기 위해, 연구팀은 Inception‑v3 기반 이진 분류기(IsMap)를 설계했다. 학습 데이터는 (a) 스타일 전이 전후의 지도 타일(양성)과 (b) Flickr에서 수집한 일반 사진(음성)으로 구성했으며, 256×256 크기로 통일했다. 분류기의 출력은 TP, TN, FP, FN 네 가지 지표이며, 높은 TP 비율은 생성 이미지가 인간 관찰자에게 “지도”로 인식된다는 의미다. 실험 결과, Pix2Pix 모델은 85 % 이상의 TP를 기록했지만, CycleGAN은 70 % 수준에 머물렀다. 이는 스타일 전이 성공 여부가 단순 시각적 유사성뿐 아니라 기호 가독성, 레이블 존재 여부 등에 크게 좌우됨을 시사한다.

한계점으로는 (1) 훈련 데이터의 지리적·스케일 다양성 부족, (2) 고해상도(줌 레벨 18‑20)에서 작은 기호가 손실되는 현상, (3) 현재 평가 방식이 인간 주관적 인지를 기반으로 하므로 정량적 지도 품질(예: 레이블 가독성, 색 대비) 측정이 미흡함을 들 수 있다. 또한, GAN 훈련 시 모드 붕괴(mode collapse)와 같은 불안정성이 발생해 일부 실험에서는 생성 이미지가 목표 스타일과 크게 달라지는 경우도 관찰되었다.

향후 연구 방향은 (a) 멀티스케일 특성을 명시적으로 학습하도록 스케일‑조건부 GAN 설계, (b) 지도 기호와 레이블을 별도 객체로 분리해 스타일 전이와 기호 보존을 동시에 최적화하는 복합 손실 함수 도입, (c) 인간‑컴퓨터 상호작용 기반 평가 프레임워크 구축 등을 포함한다. 이러한 개선이 이루어지면, 자동화된 지도 스타일링 파이프라인이 실제 웹 매핑 서비스에 적용돼, 디자이너가 스타일 규칙을 일일이 코딩하지 않아도 다양한 지역·스케일에 일관된 시각적 정체성을 제공할 수 있을 것으로 기대된다.