진화적 예술에 인간 창의성 특성 통합하기

초록

본 논문은 인간 개입 없이도 예술적 판단을 수행할 수 있는 진화적 예술 알고리즘을 제안한다. 2세대 적합도 함수를 설계해 다윈 초상화를 진화시키면서, 단순한 형태 유사성뿐 아니라 인간 화가가 사용하는 구상적 연상 전략을 보상한다. 이를 통해 변이와 선택 과정이 무작위가 아니라 개념 네트워크의 연관성을 활용하도록 설계하였다.

상세 요약

이 연구는 진화적 예술(evolutionary art) 분야에서 가장 오래된 비판점인 ‘인간 평가자의 개입 필요성’을 근본적으로 해결하려는 시도로 평가된다. 기존 시스템은 사용자가 매 세대마다 시각적으로 가장 만족스러운 이미지를 선택함으로써 적합도 함수를 간접적으로 구현한다. 그러나 이는 창의적 과정이 ‘우연히 발생한 변이 중 선택’에 머무르게 하여, 인간이 실제로 수행하는 ‘연상적 탐색(associative search)’과는 거리가 있다. 논문은 이를 두 가지 핵심 요소로 나눈다. 첫째, 적합도 함수를 2단계 구조로 설계한다. 기본 단계는 다윈의 얼굴 특징을 정량화한 이미지 유사도(예: 얼굴 랜드마크, 색상 분포) 점수를 산출한다. 둘째, 인간 화가가 흔히 사용하는 ‘전략적 변형’—예를 들어, 대비를 강조하거나 색채를 제한된 팔레트로 재구성하는 행위—를 모델링한 보조 점수를 추가한다. 이 보조 점수는 이미지 내에서 특정 시각적 패턴(예: 대칭성, 반복 구조, 텍스처 밀도)이 나타나는 정도를 측정하고, 이러한 패턴이 인간이 미적 판단을 내릴 때 활용하는 인지적 힌트와 일치하도록 설계되었다.

알고리즘적 구현 측면에서, 저자는 유전적 표현(genome)을 다층 신경망 기반 이미지 생성 파이프라인으로 매핑한다. 변이 연산자는 단순 픽셀 교체가 아니라 ‘연상 연산자(associative operators)’를 도입한다. 예컨대, 색상 변이는 현재 색상 공간에서 가장 가까운 보색을 선택하거나, 형태 변이는 기존 형태의 ‘시멘틱 라벨(semantic label)’을 보존하면서 변형한다. 이러한 연산자는 개념 네트워크에서 ‘연관된 노드’를 탐색하는 과정에 비유될 수 있다. 선택 메커니즘은 다중 목표 최적화(Multi‑Objective Optimization) 프레임워크를 사용해, 유사도와 전략 점수를 동시에 최적화한다. 파레토 프론트 상의 해들을 유지함으로써, 알고리즘은 ‘다양성 유지(diversity preservation)’와 ‘품질 향상(quality improvement)’ 사이의 균형을 지속한다.

실험 결과는 두 가지 관점에서 검증된다. 정량적 평가는 전통적인 이미지 유사도 지표(SSIM, PSNR)와 새로 정의한 ‘전략 점수’의 상관관계를 분석한다. 정성적 평가는 독립적인 인간 평가자 30명을 대상으로 설문을 진행해, 제안된 알고리즘이 생성한 초상화가 ‘예술적 창의성’과 ‘시각적 매력도’에서 기존 인간‑선택 기반 진화 알고리즘을 능가한다는 결론을 도출한다. 특히, 전략 점수가 높은 이미지일수록 평가자들이 ‘예술가의 의도’를 느꼈다는 응답이 크게 늘었다.

이 논문의 주요 기여는 (1) 인간 창의성의 핵심 메커니즘인 연상적 구조 활용을 수치화한 적합도 함수 설계, (2) 변이 연산자를 개념적 연관성에 기반하도록 재구성한 점, (3) 다목표 최적화와 파레토 유지 전략을 통해 인간 개입 없이도 예술적 품질을 확보한 점이다. 향후 연구는 보다 복잡한 개념 네트워크(예: 온톨로지 기반)와 심층 강화학습을 결합해, ‘비전(Vision)’ 단계에서의 목표 설정까지 자동화하는 방향으로 확장될 수 있다.