구조와 색조건을 이용한 아이콘의 적대적 채색

초록

디자이너가 윤곽선만 그리면, 시스템이 참조 아이콘의 색상 스타일을 따라 채색해주는 이중 조건부 생성적 적대 신경망(GAN) 기반 아이콘 자동 생성 시스템을 제안한다. 구조 유사성과 색상 스타일 유사성을 각각 판별하는 두 개의 판별기를 활용하여 효과적인 아이콘 생성을 가능하게 했다.

상세 분석

본 논문이 제안하는 시스템의 기술적 핵심은 ‘이중 조건부 생성적 적대 신경망(Dual Conditional GAN)‘의 설계에 있다. 기존의 단일 판별기를 사용하는 GAN 기반 채색 방법들이 아이콘과 같이 다양하고 추상적인 스타일을 가진 이미지 생성에는 한계가 있었던 점을 지적하며, 이를 해결하기 위해 생성자의 출력을 두 가지 독립적인 조건으로 평가하는 프레임워크를 구축했다.

첫 번째 조건은 ‘구조(Structure)‘이다. 사용자가 입력한 윤곽선 이미지와 생성된 아이콘 이미지가 쌍을 이루어 구조 판별기(D_s)에 입력된다. 이 판별기는 두 이미지의 윤곽 구조가 서로 일치하는지 여부만을 판단하도록 훈련된다. 이를 통해 생성된 아이콘이 사용자의 의도한 형태를 정확히 따르도록 유도한다.

두 번째 조건은 ‘색상 스타일(Color Style)‘이다. 참조용으로 제공된 실제 아이콘 이미지와 생성된 아이콘 이미지가 쌍을 이루어 색상 판별기(D_c)에 입력된다. 여기서 주목할 점은, 이 판별기가 두 아이콘의 ‘전체적인 색감과 분포’가 유사한지 판단하도록 설계되었다는 것이다. 네트워크 훈련을 위해 연구진은 수집한 아이콘 데이터셋을 Lab 색공간 히스토그램 기반 K-means 클러스터링으로 그룹화하여, 동일 클러스터 내 아이콘들을 ‘색상 스타일이 유사한’ 진짜(Real) 쌍으로 사용했다. 이는 구체적인 픽셀 단위 매칭이 아닌, 전체적인 색조 힌트를 학습하게 함으로써 다양한 스타일 변환을 가능하게 하는 키포인트다.

이러한 이중 판별 구조는 각 판별기가 수행해야 할 과제를 단순화시켜 훈련 안정성을 높이고, 동시에 구조 정확도와 색상 스타일 다양성이라는 두 마리 토끼를 잡을 수 있게 한다. 또한 사용자 인터페이스 측면에서 색상 조건을 지정하는 방법을 단순화했는데, 참조 아이콘 이미지를 직접 선택하는 대신 ‘캐주얼’, ‘클리어’ 등과 같은 의미론적 스타일 라벨을 선택하면 시스템이 해당 라벨에 매칭되는 아이콘을 데이터셋에서 무작위로 선택하여 색상 조건으로 제공한다. 이는 색심리학 이론을 바탕으로 주요 색상 조합을 스타일 라벨에 매핑함으로써 구현되었다.

실험 결과, 제안 방법은 iGAN, CycleGAN, Pix2Pix 등 기존 최신 이미지 변환 기법들과 비교했을 때, 아이콘 생성 작업에 대해 더욱 안정적이고 시각적으로 만족스러운 결과를 생성하는 것으로 평가되었다. 특히 열린 윤곽선(Open Contour)에서도 색상이 새는(Color Leaking) 문제 없이 깔끔하게 채색할 수 있는 강점을 보였다.