하이플레인헤드: 머리 전체 이미지 합성을 위한 하이브리드 평면 표현

초록

본 논문은 기존 3D‑aware GAN에서 사용되는 트라이플레인과 구형 트라이플레인의 한계를 체계적으로 분석하고, 평면과 구형 평면을 결합한 ‘하이플레인(hy‑plane)’을 제안한다. 새로운 near‑equal‑area 워핑(Lambert azimuthal equal‑area projection)과 단일 채널 통합 피처 맵 생성 전략을 통해 특징 침투와 비대칭 왜곡을 제거하고, 정밀한 디테일과 균일한 피처 활용을 달성한다. 실험 결과 HyPlaneHead가 현재 최고 수준의 전체 머리 이미지 합성 성능을 보임을 입증한다.

상세 분석

본 연구는 3D‑aware GAN에서 널리 쓰이는 트라이플레인 구조가 Cartesian 좌표 투영 시 대칭적인 두 3D 포인트가 동일한 피처를 공유하게 만들어 비대칭 영역에서 ‘미러링 아티팩트’를 유발한다는 근본적인 문제를 지적한다. 이를 해결하기 위해 SphereHead가 구형 좌표계 기반의 구형 트라이플레인을 도입했지만, θ‑ϕ 워핑이 비등면(equal‑area) 특성을 갖지 못해 피처가 극지방에 과밀하고 적도 부근에 희박해지는 현상이 발생한다. 또한 ϕ = ±π 경계에서 시임(seam) 불연속성이 나타나며, 두 구형 평면을 병렬로 사용하면 파라미터 중복과 표현력 저하가 초래된다.

논문은 이러한 문제를 세 가지 관점에서 해결한다. 첫째, ‘unify‑split’ 전략을 도입해 다중 채널이 아닌 단일 채널 피처 맵을 생성하고, 이후 필요한 평면별로 분할한다. 이는 컨볼루션 연산 시 동일 uv 위치에서 서로 다른 평면이 동일 입력을 공유하면서 발생하던 ‘피처 침투(feature penetration)’를 근본적으로 차단한다. 둘째, 구형 평면에 적용되는 워핑을 기존 θ‑ϕ가 아닌 Lambert azimuthal equal‑area(LAEA) 투영으로 교체하고, 원형 맵을 타원형 그리드 매핑을 통해 정사각형 피처 맵에 맞춘다. 이 과정은 면적을 거의 균등하게 보존하면서 시임을 제거하고, 극·적도 영역 모두에서 균일한 피처 밀도를 확보한다. 셋째, 평면과 구형 평면을 동시에 활용하는 ‘하이플레인(3+1)’ 구조를 설계한다. 세 개의 직교 평면은 대칭적인 특징(예: 얼굴의 좌우 대칭, 머리의 전후 대칭)을 효율적으로 학습하고, 하나의 구형 평면은 비대칭적인 세부(예: 머리카락 흐름, 비대칭 표면 질감)를 표현한다. 이 하이브리드 설계는 각각의 장점을 보존하면서 상호 보완적인 정보를 제공한다.

추가 변형으로는 구형 평면의 면적 비중을 조절해 표현력을 강화하거나, 두 개의 구형 평면을 서로 반대 방향으로 배치해 ‘dual‑plane‑dual‑sphere’ 구성을 제안한다. 이러한 변형은 특정 애플리케이션(예: 극지 영역 디테일 강화)에서 유연하게 선택 가능하도록 설계되었다.

실험에서는 FFHQ‑Head, CelebA‑HQ 등 고해상도 얼굴 데이터셋을 사용해 FID, KID, LPIPS 등 정량적 지표와 시각적 품질을 모두 평가하였다. HyPlaneHead는 기존 EG3D, PanoHead, SphereHead 대비 FID 10% 이상 개선을 보였으며, 특히 뒤쪽 머리와 머리카락 디테일에서 눈에 띄는 품질 향상을 확인했다. Ablation study를 통해 unify‑split, near‑equal‑area 워핑, 하이플레인 구성 각각이 성능에 미치는 영향을 정량화했으며, 모든 요소가 결합될 때 최상의 결과를 도출한다는 것을 입증했다.

이와 같이 논문은 트라이플레인 기반 3D‑aware GAN의 구조적 한계를 깊이 파악하고, 수학적 워핑 설계와 네트워크 아키텍처 혁신을 통해 실질적인 품질 향상을 달성한 점이 가장 큰 기여라 할 수 있다.