디자인 스케치를 위한 지능형 버전 컨트롤, Git for Sketches

초록

DIMES는 웹 기반 스케치 환경에 sGIT이라는 시각 전용 버전 관리 시스템을 통합하고, AEGIS라는 하이브리드 AI 모듈로 여섯 종류의 스트로크를 자동 분류한다. Git의 커밋·브랜치·체크아웃 개념을 디자인 행동에 매핑해 암시적 분기와 음성·스트로크 복합 커밋을 지원한다. 전문가 실험에서 개념 탐색 폭이 160 % 증가했으며, AI가 생성한 진화 서술과 렌더링은 복제 충실도(코사인 유사도 0.97)와 구매 의향(4.2점)에서 크게 향상되었다.

상세 분석

본 논문은 제품 개념 스케치(PCS)의 비선형 진화와 설계자의 인지 의도를 디지털화하려는 시도로, 기존 이미지 편집 툴이 제공하지 못하는 ‘시간’과 ‘버전’ 개념을 도입한 점이 가장 큰 혁신이다. sGIT은 Git의 기본 연산(커밋, 브랜치, 체크아웃, 머지, 디프)을 스케치 작업에 직접 매핑함으로써, 디자이너가 브러시 스트로크를 추가·수정할 때마다 자동으로 메타데이터가 기록되고, 필요 시 과거 버전으로 즉시 되돌릴 수 있다. 특히 ‘암시적 브랜치(implicit branching)’는 디자이너가 새로운 아이디어를 탐색할 때 별도 파일을 복제하지 않아도 내부적으로 분기 트리를 형성한다는 점에서 작업 흐름을 크게 단순화한다.

AEGIS 모듈은 스트로크 이미지와 동적 특성(압력, 속도, 방향)을 동시에 활용하는 5개의 CNN 기반 딥러닝 모델과 10개의 전통적인 머신러닝 모델(랜덤 포레스트, SVM 등)을 앙상블한다. 이 하이브리드 접근법은 단순 픽셀 기반 분류가 놓치기 쉬운 ‘그림자’와 ‘주석’ 같은 미세한 구분을 높은 정확도로 수행한다는 실험 결과가 제시된다.

또한 멀티모달 커밋을 통해 음성 입력을 텍스트로 변환(TTS)하고, LLM을 이용해 설계 의도와 진화 과정을 서술적으로 요약한다. 논문에서는 ‘Neural Transparency 기반 코사인 유사도’를 제안해, Vision‑Language 모델(LLaVA‑NeXT)의 내부 활성화 맵을 활용해 스케치 간 의미적 유사성을 정량화한다. 이는 기존 픽셀‑레벨 MSE나 SSIM보다 디자인 의도 보존을 평가하는 데 더 적합하다.

실험 설계는 전문가 그룹( n≈12)와 초보자 그룹( n≈15)으로 나누어, DIMES 사용 전후의 탐색 폭, 커밋 granularity, 복제 충실도, 구매 의향 등을 비교한다. 전문가가 160 % 더 많은 개념을 탐색하고, 커밋 granularity가 800 % 상승했다는 수치는 시스템이 디자인 탐색을 촉진함을 강력히 시사한다. 초보자는 AI 요약을 통해 0.97의 높은 코사인 유사도를 달성했으며, 이는 수동 요약(0.73) 대비 현저히 우수하다.

한계점으로는 스트로크 분류 라벨링이 제한된 데이터셋에 의존하고, AI 요약이 디자이너의 고유한 어휘·문화적 맥락을 완전히 포착하지 못한다는 점을 인정한다. 또한 웹 기반 구현 특성상 대용량 프로젝트에서의 성능 스케일링과 실시간 협업 기능이 아직 미비하다. 향후 연구에서는 클라우드 기반 분산 저장소와 사용자 정의 스트로크 어휘 확장, 그리고 설계 의도 추론을 위한 그래프 기반 지식 표현을 통합할 계획이다.