문워크스 루나라 미학 II 정체성 보존 이미지 변형 데이터셋

초록

Lunara Aesthetic II는 2,854개의 앵커‑링크 변형 쌍을 포함한 고품질 이미지 데이터셋으로, 조명·날씨·시점·구도·색조·무드 등 여섯 가지 컨텍스트 변화를 적용하면서 원본 이미지의 정체성을 유지한다. 자동·인간 평가에서 정체성 안정성(4.65/5), 속성 실현율(87.2 %), 평균 미학 점수(5.91) 등 높은 성능을 보이며, 기존 대규모 웹 데이터셋을 능가한다. Apache 2.0 라이선스로 공개되어 이미지 생성·편집 모델의 컨텍스트 일반화와 편집 견고성 벤치마크에 활용될 수 있다.

상세 분석

Lunara Aesthetic II는 기존 이미지‑텍스트 대규모 데이터셋이 갖는 “스케일 우선” 접근과 달리, 정체성 보존이라는 명확한 감독 신호를 중심으로 설계된 것이 가장 큰 특징이다. 336개의 원본 사진·아트워크를 기준으로 평균 8.49개의 변형을 생성했으며, 변형당 평균 2.18개의 컨텍스트 속성이 동시에 적용돼 다중 요인 편집을 평가할 수 있다. 라벨링은 조명‑시간, 날씨‑대기, 장면‑구성, 무드‑대기, 시점‑카메라, 색조 등 6가지 축으로 구분되고, 각 축의 조건부 동시 발생 확률을 분석해 축 간 의존성을 정량화하였다. 예를 들어 조명‑시간은 다른 축과 0.53~0.59의 높은 조건부 확률을 보이며, 실제 편집 시 조명 변화가 무드·구성·시점 변화를 동반하는 경우가 많다는 실질적인 통찰을 제공한다.

데이터 생성 파이프라인은 먼저 QWEN3‑VL을 이용해 원본 프롬프트를 추출하고, Moonworks Lunara(10B 파라미터) 모델로 3,324개의 후보 변형을 생성한다. 이후 VLM 기반 자동 차이 검출과 인간 검증을 거쳐 2,854개의 고품질 변형을 최종 선정했으며, 이는 “시각적 다양성보다 정체성 유지와 목표 속성 구현”에 초점을 맞춘 설계 철학을 반영한다.

자동 평가에서는 축별 특이도(0.590.69), 프롬프트 정렬(Cohen’s d ‑0.20‑1.07), 정규화 엔트로피(0.97~1.00) 등을 측정해 각 축이 충분히 독립적이면서도 풍부한 언어적 표현을 갖는지 검증했다. 특히 색조 축은 프롬프트 변화가 가장 작아(‑0.20) 라벨링 비용을 최소화하면서도 높은 엔트로피(0.99)로 다양한 색조 변형을 포괄한다는 점이 눈에 띈다.

미학 평가는 LAION Aesthetics v2 모델을 활용했으며, Lunara‑I(6.32 평균)와 비교해 Lunara‑II는 평균 5.91점으로 다소 낮지만, 5 % 이하의 저점이 거의 없고 33.99 %가 6.5점 이상을 기록해 웹 기반 데이터셋보다 전반적으로 높은 미학 품질을 유지한다. 이는 일상적인 장면을 포함하면서도 시각적 품질을 포기하지 않은 데이터 설계의 성공을 의미한다.

전체적으로 이 데이터셋은 (1) 정체성‑보존 변형이라는 명확한 감독 신호, (2) 다중 컨텍스트 라벨링을 통한 구조적 의존성 분석, (3) 인간·자동 평가를 통한 정량적 품질 검증, (4) Apache 2.0 라이선스로 자유로운 활용 가능성이라는 네 가지 강점을 제공한다. 향후 텍스트‑투‑이미지 모델의 컨텍스트 일반화, 이미지‑투‑이미지 편집, 그리고 교차‑축 편집 견고성 연구에 핵심 벤치마크로 자리매김할 전망이다.