드림홈 파노: 디자인을 고려하고 충돌 없는 파노라마 실내 공간 생성

초록

DreamHome-Pano는 사용자의 레이아웃 제약과 스타일 선호도를 동시에 만족시키는 고품질 파노라마 실내 이미지를 생성하는 AI 프레임워크입니다. 기존 모델들이 겪는 구조적 정확성과 미적 표현 사이의 ‘조건 충돌’ 문제를 해결하기 위해, 전문가 수준의 설명을 생성하는 Prompt-LLM과 구조 정보와 스타일 정보를 분리하여 제어하는 ‘충돌 없는 제어’ 아키텍처를 도입했습니다. 대규모 데이터를 활용한 계층적 학습 파이프라인과 전문가 평가를 포함한 포괄적 벤치마크를 통해 우수한 성능을 입증했습니다.

상세 분석

DreamHome-Pano의 기술적 핵심은 기존 다중 조건 생성 모델의 근본적 한계, 즉 ‘조건 충돌’을 체계적으로 해결한 데 있습니다. 이 논문은 두 가지 주요 혁신을 제시합니다.

첫째, Prompt-LLM은 단순한 이미지 캡션 생성기를 넘어 ‘설계 중개자’ 역할을 합니다. 레이아웃을 나타내는 ‘Place Image’와 스타일 참조 이미지라는 이질적인 입력을 받아, 전문적인 실내 디자인 용어로 구성된 통합된 텍스트 지시문으로 변환합니다. 이 과정에서 레이아웃에 정의된 가구의 재질이나 색상과 같이 참조 이미지에 명시적으로 나타나지 않은 속성을 추론하여 보완함으로써, 전반적인 스타일 일관성을 보장합니다. 이는 단순한 조건 결합을 넘어, 디자인 의도를 이해하고 누락된 정보를 합리적으로 채워내는 ‘의미적 교량’을 구축한 것입니다.

둘째, 충돌 없는 제어(Conflict-Free Control) 아키텍처는 생성 과정에서 구조적 무결성을 보호하는 메커니즘입니다. 핵심은 ‘이중 기하학적 사전 지식(Dual-Geometric Prior)‘과 ‘공간 템플릿 표준화’입니다. 모델은 빈 방의 법선 맵을 통해 벽, 천장, 바닥과 같은 강한 구조적 경계를 학습하고, 대략적인 인스턴스 세그멘테이션을 통해 가구의 유연한 위치 가이드를 제공합니다. 이를 통해 레이아웃 이미지에 과도하게 의존하여 ‘생성 예산’을 소모하는 문제를 해결하고, 장식적 디테일을 풍부하게 생성할 수 있는 여유를 확보합니다. 또한, 스타일 참조 이미지가 내재적으로 가지고 있는 공간적 정보(예: 특정 벽면 구성)가 원본 레이아웃과 충돌하는 ‘다중 조건 간섭’을 방지하기 위해, 모든 스타일 참조 이미지를 중립적인 공간 템플릿에 재배치하여 순수한 미적 속성(색채, 질감, 분위기)만을 추출합니다.

이러한 방법론적 진전은 계층적이고 점진적인 데이터 관리 및 학습 전략과 결합되어 그 효과를 극대화합니다. 255만 개의 원본 이미지에서 시작하여 해상도, 채도 등 기본 품질 필터링과 군집화를 통한 다양성 샘플링을 거쳐 10만 개의 데이터셋을 구성하고, 최종적으로 전문가가 미적 기준으로 직접 선별한 1.2만 개의 고품질 데이터로 정제하는 3단계 파이프라인은 모델이 기하학적 정확성에서 출발해 점차 전문가급 미적 감각을 습득하도록 유도합니다. 또한, 자동 평가(공간 일관성, 미적 점수, 사실성 등)와 더불어 실내 디자인 전문가에 의한 인간 평가를 포함한 포괄적 벤치마크는 생성 모델의 성능을 다각도로 평가할 수 있는 표준을 마련했다는 점에서 의미가 큽니다.

결론적으로, DreamHome-Pano는 생성형 AI를 실내 디자인이라는 전문 영역에 적용할 때 발생하는 ‘제어의 정밀도’와 ‘표현의 자유’ 사이의 딜레마를 해결하기 위한 체계적이고 실용적인 프레임워크를 제시했습니다. 이는 단순한 이미지 합성 기술을 넘어, AI가 인간의 디자인 의도를 이해하고 구체적인 공간 제약 안에서 구현하는 ‘협업 도구’로서의 가능성을 보여줍니다.