Illustracy

Illustracy — 일러스트 레이어 분리기

한국어 English

다 그린 그림 한 장을, 그림을 그릴 때처럼 여러 장의 투명한 층(레이어)으로 다시 나눠 포토샵 파일(PSD)로 저장하는 프로그램입니다.

[!IMPORTANT] 해당 프로그램은, 그린 레이어들을 실수로 합친 뒤 분리할 수 없는 상황에 이르거나, 이미지를 단일 파일로 내보낸 뒤 원본 파일을 저장하지 못했을 경우를 위해 사용하도록 만들어 졌습니다.

자신이 저작자가 아닌 이미지를 절대로 해당 프로그램에 사용하지 마십시오.

목차

  1. 쉽게 알아보기
  2. 원리
  3. 작동 방식
  4. 알고리즘과 수식
  5. 물리 세계와의 대응
  6. 체계 (프로그램 구성)
  7. 이슈와 해결
  8. 최적화
  9. 특장점
  10. 한계
  11. 검증
  12. 업데이트 내역
  13. 참고 문헌

1. 쉽게 알아보기

이게 뭔가요?

컴퓨터로 그림을 그릴 때는 보통 투명한 종이를 여러 장 겹쳐서 그립니다. 맨 아래 종이에 색을 칠하고, 그 위 종이에 그림자를, 또 그 위에 반짝이는 빛을, 맨 위에 선을 그리는 식입니다. 그런데 다 그린 그림을 한 장으로 합쳐 저장하면 이 종이들이 사라지고 한 장만 남습니다.

Illustracy는 한 장으로 합쳐진 그림을 보고, 그림을 그렸던 순서대로 종이들을 다시 나눠 줍니다. 나눈 종이들을 다시 겹치면 원래 그림과 눈으로 구분할 수 없을 만큼 똑같이 보입니다.

무엇으로 나뉘나요?

층 들어 있는 것
러프 [러프] 폴더 안의 밑그림 두 장. 러프 1은 아이디어가 떠오르자마자 급하게 잡은 투박한 러프, 러프 2는 그것을 다듬어 구도를 원본에 맞춘 러프입니다. 원래 그림에는 없으므로 짐작해서 만든 것이고, 처음에는 숨겨져 있습니다
선화 그림의 선
색 트레이스 선 중에서 색이 다른 부분(빛을 받은 선, 색깔 선)
밑색 머리카락, 피부, 옷처럼 부분마다 칠한 한 가지 색
1차 · 2차 그림자 밑색 위에 겹친 어두운 부분. 2차는 1차보다 더 어두운 곳
하이라이트 밑색보다 밝게 칠한 부분(머리카락 윤기 등)
명암 · 그라데이션 부드럽게 어두워지는 부분
반사광 · 림라이트 그림자 속에서 다시 밝아진 부분, 몸 가장자리에 비친 빛
빛 · 반짝임 빛나는 효과, 눈 속 반짝임, 별
배경 · 배경 효과 캐릭터 뒤의 배경, 배경 위에 떠 있는 빛 조각
배경 메꿈 캐릭터를 뺀 자리를 신경망(big-lama)과 패치 맞춤으로 추정해 채운 층(0.56, ‘배경’ 바로 위)
외곽 글로우 캐릭터 둘레에 두른 형광 띠(있는 그림만)

부분(파츠)마다 폴더가 따로 생기고, 폴더 안에 그 부분의 밑색 · 그림자 · 하이라이트가 들어 있습니다(설정에서 단계별 폴더를 고르면 거꾸로 [밑색] · [1차 그림자] · [2차 그림자] · [하이라이트] 폴더 안에 파츠가 들어 있습니다). 그림에서 얼굴을 찾으면(배경이 투명한 PNG도) 얼굴 둘레의 색으로 눈 · 피부 · 머리카락 폴더에 이름을 붙이고, 나머지 폴더는 색 이름(파랑, 검정 …)으로 붙습니다.

무엇이 필요한가요?

쓰는 법

  1. illustracy-0.59i.zip.001과 illustracy-0.59i.zip.002를 같은 폴더에 내려받아 풉니다. 7-Zip · 반디집 등에서 .001을 열면 안의 illustracy-0.59i.zip이 보이고 그것을 풀면 되며, 또는 먼저 이어 붙인 뒤(Windows 명령창 copy /b illustracy-0.59i.zip.001 + illustracy-0.59i.zip.002 illustracy-0.59i.zip, mac · Linux cat illustracy-0.59i.zip.* > illustracy-0.59i.zip) 압축을 풉니다. illustracy.html(앱, 약 223MB)과 illustracy-help.html(도움말)이 나옵니다. 두 파일을 같은 폴더에 둔 채 illustracy.html을 브라우저로 엽니다. GitHub의 파일 크기 제한(100 MiB) 때문에 나눠 올렸습니다.
  2. 그림을 창에 끌어다 놓거나, 왼쪽 위 상자를 눌러 고르거나, 복사한 그림을 Ctrl+V로 붙여 넣습니다. 먼저 해 보고 싶으면 예제 그림을 누르세요. 앱에 넣어 둔 그림 10장 중 하나가 무작위로 열립니다(누를 때마다 바로 앞과 다른 그림).
  3. 몇 초 기다리면 오른쪽에 층 목록이 나옵니다.
    • 동그라미 버튼: 그 층을 켜고 끄기
    • 층 이름 누르기: 섞는 방식과 진하기 바꾸기, 그 층만 그림 파일로 저장
    • 층 이름 두 번 누르기: 이름 바꾸기
    • 목록 위 눈 모양 버튼: 눈 뜬 모양을 누르면 모든 층과 폴더가 한 번에 꺼지고 눈 감은 모양으로 바뀝니다. 눈 감은 모양을 누르면 끄기 전 상태로 돌아옵니다. 모두 끈 뒤 층 하나를 켜면 그 층이 든 폴더도 함께 켜져 그 층만 보이고, 폴더를 켜면 그 안의 층들이 보입니다.
  4. PSD 다운로드를 누르면 포토샵에서 열 수 있는 파일이 저장됩니다. 목록에서 바꾼 이름 · 진하기 · 켜고 끈 상태도 그대로 들어갑니다.

가운데 그림은 마우스 휠로 크게 · 작게 보고, 끌어서 옮깁니다. 화면 오른쪽 위 도움말 버튼을 누르면 앱과 같은 폴더의 illustracy-help.html(쓰는 법 · 틀린 곳 고치기 · 원리를 정리한 도움말)이 새 창으로 열립니다(나눈 결과는 그대로 남음). 그 파일이 없으면 “도움말 파일이 존재하지 않는다. 확인 바란다.”를 띄우고 열지 않습니다(0.59h부터). 도움말만 따로 보려면 illustracy-help.html을 내려받아 엽니다. 그 옆의 테마 막대로 화면 색을 시스템 설정 따름 · 밝게 · 어둡게 중에서 고를 수 있습니다. 고른 테마는 앱과 도움말이 함께 쓰고, 한쪽에서 바꾸면 열려 있는 다른 쪽도 따라 바뀝니다. 위쪽 버튼으로 합성(나눈 층을 겹친 모습) · 원본 · 선택 레이어(고른 층만) · 차이 ×8(원본과 다른 곳을 8배로 강조)을 바꿔 볼 수 있습니다.

틀리게 나뉜 곳 고치기

자동으로 나누다 보면 배경의 물건이 캐릭터 쪽에 남거나, 캐릭터 일부가 배경으로 가기도 합니다.

고친 내용은 설정을 바꿔 다시 나눠도 남아 있고, 새 그림을 열면 지워집니다. 고쳐도 겹친 결과는 원래 그림 그대로입니다.

예전 PSD의 층 이름 바꾸기

0.34까지 저장한 PSD에는 선 색 층 이름이 색트레스로 적혀 있습니다. 그 PSD를 그림처럼 창에 끌어다 놓거나 왼쪽 위 상자를 눌러 고르면(여러 개 한꺼번에 됩니다) 층 이름을 색 트레이스로 고친 PSD가 같은 파일 이름으로 바로 저장됩니다. 그림 · 층 순서 · 폴더 · 클리핑은 그대로이고, 파일은 브라우저 밖으로 나가지 않습니다. PSB, 16 · 32비트로 바꿔 저장한 파일도 됩니다. 이미 고친 파일이면 고칠 층 이름이 없다고 알려 줍니다.

설정

설정 뜻
처리 해상도 그림의 긴 변을 이 크기로 줄여서 처리합니다(기본 2048px). 클수록 자세하지만 느립니다
큰 그림은 줄여서 나누기 · 줄이는 방식 · 줄일 크기 기본 꺼짐(방식 · 크기도 꺼진 채 움직이지 않음). 켜면 긴 변이 줄일 크기(기본 1200px)보다 큰 그림을 줄여서 나눕니다. 켜거나 방식을 바꾸면 그 방식의 설명과 검증 결과를 보여 주고, 확인하면 바로 다시 나눕니다.
전부 줄여서 나누기: 모든 단계를 줄인 크기로(PSD도 그 크기). 결과는 원래 크기와 비슷하고 시간은 약 절반.
배경 · 얼굴만 줄여서 찾기: 배경 · 얼굴만 줄인 그림에서 찾고 층은 처리 해상도로. 캐릭터를 더 잃는 그림이 많아 권하지 않음(11)
선 감도 높이면 옅은 선도 선으로 봅니다
최대 선 굵기 이보다 두꺼운 어두운 곳은 선이 아니라 칠한 면으로 봅니다(0이면 그림에서 선 굵기를 재서 자동으로 정하고, 고른 값과 잰 굵기가 옆에 나옵니다)
선 색상 선화 + 색 트레이스(기본) / 원래 선 색 그대로 한 장 / 검정 한 가지
색상 군집 수 처음에 색을 몇 가지로 나눠 볼지
밑색 병합 강도 높이면 밝기만 다른 색을 같은 부분으로 더 많이 묶습니다
그림자 판정 기준 높이면 옅게 어두워진 곳도 그림자 층으로 보냅니다
반짝임 최대 크기 이보다 작은 밝은 점을 반짝임으로 봅니다(0이면 해상도에 맞춰 자동)
최대 파츠 수 부분 폴더의 최대 개수(기본 32). 넘치는 작은 부분은 “작은 파츠” 폴더로
채색을 파츠별로 나누기 끄면 밑색 · 그림자 · 하이라이트를 부분 구분 없이 한 장씩
폴더 나누는 방식 파츠별 폴더(기본): [피부] [머리카락] … 폴더마다 밑색 · 1차 · 2차 그림자 · 하이라이트.
단계별 폴더: [밑색] [1차 그림자] [2차 그림자] [하이라이트] 폴더마다 파츠 층(3.12). 파츠별로 나눌 때만 고를 수 있고, 클리핑은 쓰지 않습니다
그림자·하이라이트를 밑색에 클리핑 그림자와 하이라이트가 밑색 바깥으로 나가지 않게 묶습니다
단색 배경 자동 분리 배경 찾기를 켜고 끕니다
누끼 모델 기본 켬(0.51). 앱 안에 넣은 애니 캐릭터 누끼 모델이 낸 캐릭터 확률에 기존 방식(배경 찾기 단계 + 신경망 보조)의 판정을 더해 캐릭터를 정하고, 나머지를 배경 층으로 둡니다(3.5, 0.52). 모델이 캐릭터를 거의 찾지 못한 그림(사람 모양이 아닌 캐릭터 등)은 기존 방식의 판정을 그대로 씁니다(0.53). 0.54부터는 원래 모델과 미세 학습한 모델을 함께 돌려 두 확률의 가중 평균(0.6 · 0.4)을 쓰고 더하기의 문턱을 0.55로 둡니다. 0.55는 효과(글로우 · 파티클 · 빛줄기)를 배경으로 세도록 더 학습한 판을 쓰고 두 확률을 0.5 · 0.5로 평균합니다. 이때 외곽 글로우와 배경 위 작은 조각 규칙은 쓰지 않습니다. 그림당 수십 초 더 걸리고, 투명한 픽셀이 있는 그림에는 쓰지 않습니다. 끄면 0.50과 같은 결과입니다
신경망 보조 기본 켬. 배경 찾기 끝에서, 캐릭터 쪽에 남은 색 영역 가운데 통계식 점수와 작은 신경망의 점수를 한 식으로 묶어 배경일 확률이 0.8을 넘는 영역만 배경으로 더 보냅니다(3.5의 12). 끄면 0.48과 같은 결과입니다
기울어진 그림 기본 꺼짐. 그림 전체가 크게(45° 넘게) 기울었거나 옆으로 누운 그림에서 켜면, 얼굴을 여러 각도(0 · ±30 · ±60 · ±90°)로 찾아 가장 얼굴다운 각도로 이름 · 캐릭터 폴더 · 배경 규칙을 맞춥니다. 고른 기울기는 결과 줄에 “기울기 N°”로 나옵니다.
똑바른 그림에 켜면 얼굴을 조금 덜 찾고 가짜 얼굴이 조금 늘어(정답 그림 82장: 실제 얼굴 29/35 → 26/35, 가짜 얼굴 15 → 17개) 기울지 않은 그림에는 끄는 편이 낫습니다.
돌려 저장해 네 모서리가 흰색 · 한 색 · 투명인 그림은 켜지 않아도 알아봅니다
러프 스케치 생성 · 러프 색상 러프 두 장(러프 1 · 러프 2)을 만들지, 무슨 색으로 그릴지

잘 되는 그림, 어려운 그림

설정은 그림을 재서 정합니다

그림을 열면 선(펜)의 굵기를 재서, 기본값으로는 선을 다 담지 못하는 그림일 때만 최대 선 굵기를 올립니다. 예를 들어 작은 그림에 굵은 선으로 그렸으면 선 검출 창을 넓힙니다. 보통 그림은 기본값을 그대로 씁니다. 고른 값과 잰 굵기는 설정 옆에 “자동 · 8 px (이 그림 13 px)”처럼 나오고, 슬라이더를 움직이면 그 값으로 바뀝니다. 나머지 설정도 그림에서 재서 정해 봤지만 결과가 나빠지거나 나아지지 않아, 여러 그림으로 맞춘 기본값을 씁니다(7.5).

2. 원리

2.1 작가가 층을 쌓는 순서를 그대로 따른다

셀 채색 작업 파일은 대체로 이런 순서로 쌓입니다.

위에서부터 층 하는 일
1 선화 맨 위의 선
2 빛 · 반짝임 밝게 더하는 효과
3 명암 부드러운 음영
4 하이라이트 밑색보다 밝은 면
5 그림자 밑색 위에 겹쳐 어둡게
6 밑색 부분마다 한 가지 색
7 배경 맨 아래

층마다 겹치는 방식이 다릅니다.

Illustracy는 결과 파일이 이 구성을 따르도록 나눕니다.

2.2 겹친 결과가 원본이 되도록 거꾸로 푼다

겹치는 방식은 모두 간단한 계산식입니다. 그래서 “원래 그림의 색”과 “밑색 · 그림자 색”을 알면, 나머지 층에 무엇이 들어가야 원래 그림이 나오는지를 픽셀마다 거꾸로 풀 수 있습니다.

같은 그림을 만드는 층 구성은 무수히 많습니다. 그중에서 작가가 실제로 만들 법한 것을 고릅니다.

마지막에 남는 차이까지 층에 담기 때문에, 나눈 결과를 겹치면 원본으로 돌아옵니다. 오차는 파일이 색을 0~255 정수로 저장하면서 생기는 반올림 정도뿐입니다.

2.3 선은 “가늘고 주변보다 어두운 것”이다

어두운 가는 구조를 지운 그림을 만들고(주변의 밝은 색으로 메움), 원래 그림과의 차이를 보면 선만 남습니다. 두꺼운 어두운 면(검은 옷)은 지워지지 않으므로 선으로 잡히지 않습니다.

2.4 선이 가린 색은 주변에서 짐작한다

선 아래에 칠해져 있었을 색은 선 바로 바깥 색을 안쪽으로 한 겹씩 채워 짐작합니다. 아래 색을 알면 “선 색이 몇 %의 진하기로 덮였는지”를 계산할 수 있고, 선의 흐린 가장자리(안티에일리어싱)까지 투명도로 표현됩니다.

2.5 배경은 일곱 가지 단서로 가른다

  1. 테두리와 이어짐: 배경은 그림 테두리에 닿아 있고, 캐릭터의 윤곽선을 넘지 않고 이어집니다.
  2. 선의 많고 적음: 캐릭터와 소품은 선으로 그리고, 배경은 선 없이 칠하는 경우가 많습니다.
  3. 또렷함: 배경은 초점이 나간 것처럼 흐리게 그리는 경우가 많아, 진하고 또렷한 선이 드뭅니다.
  4. 색의 차이: 배경까지 선으로 그린 그림은, 그림마다 배경의 색과 캐릭터의 색을 배워서 가릅니다.
  5. 선명한 색 경계: 선 없이 부드럽게 칠한 팔 · 손 · 소매도 초점이 맞은 물체라서 둘레의 색이 또렷하게 바뀝니다. 선이 적어 배경에 딸려 들어간 조각이 이 경계로 떨어져 있고, 캐릭터에 붙어 있고, 색이 캐릭터 쪽이면 캐릭터로 되돌립니다.

  6. 얼굴: 애니풍 얼굴은 어두운 둥근 눈 두 개가 나란히 있고 그 아래가 밝고 고른 피부입니다. 얼굴을 찾으면 머리와 몸이 어디쯤 있는지 압니다. 머리 · 몸 자리 밖에서 색이 분명히 배경 쪽이고, 이미 찾은 배경과 선 없이 이어진 곳만 배경에 더합니다. 캐릭터는 윤곽선으로 둘러싸여 있어서, 배경과 색이 비슷한 머리카락 끝이나 소매 쪽으로는 넘어가지 않습니다. 반대로 또렷한 얼굴 자리가 배경이 되어 있으면 캐릭터가 통째로 배경에 삼켜진 것이라(윤곽선이 머리카락 · 배경과 같은 색이라 보이지 않는 그림), 그 머리 · 몸 자리에 든 배경 조각을 캐릭터로 되돌립니다.

  7. 선으로 둘러싸임: 캐릭터는 윤곽선 · 옷 주름 · 머리카락 결에 사방이 둘러싸여 있어, 안에 선이 없는 흰 옷 · 치마 · 단색 머리도 어느 쪽으로 가든 곧 선에 닿습니다. 배경은 적어도 몇 방향으로는 선 없이 그림 밖까지 트여 있습니다. 선이 드물어도 거의 모든 방향이 선으로 막힌 곳은 배경으로 보지 않습니다. 다만 흰 배경 · 단색 배경에서는 팔과 몸 사이, 머리카락 가닥 사이로 보이는 배경(틈)도 사방이 윤곽선인데, 이런 곳은 배경과 똑같은 색이고 둘레가 선과 배경뿐이라 캐릭터의 흰 옷(둘레에 그림자 · 음영이 닿음)과 가를 수 있어 배경으로 보냅니다.

화면 아래 테두리는 캐릭터가 잘려 있는 경우(상반신 그림)가 많아서 배경 찾기의 출발점으로 쓰지 않습니다.

2.6 재질 경계에는 선이 있고, 그림자 경계에는 선이 없다

셀 채색에서 머리카락과 피부 사이에는 선을 긋지만, 머리카락의 밝은 면과 그림자 사이에는 선을 긋지 않습니다. 그래서 선 없이 맞닿아 있고 같은 색 계열이면 같은 재질의 명암으로, 선으로 막혀 있으면 다른 재질로 봅니다.

붓으로 칠한 그림에서는 붓 자국 · 머리카락 결이 선으로 잡히기도 합니다. 이런 결은 한 색 위에 그은 것이라 선 양쪽의 색이 같습니다. 그림의 선 대부분이 이런 결이면 결은 재질 경계로 보지 않습니다. 선화 그림은 옅은 피부와 옅은 머리카락처럼 색이 거의 같은 재질도 선으로 가르므로, 선을 그대로 경계로 봅니다.

2.7 같은 재질 안에서 가장 넓은 색이 밑색이다

한 재질 안의 색을 다시 몇 가지 톤으로 나누면, 가장 넓게 칠한 톤이 밑색입니다. 그보다 확실히 어두운 톤은 그림자, 확실히 밝은 톤은 하이라이트입니다. 그림자 톤이 밑색보다 채널별로 몇 배 어두운지가 곧 그림자 층의 곱하기 색입니다.

2.8 밝아진 곳은 위치와 모양으로 종류를 가린다

밑색 · 그림자로 설명되지 않고 더 밝아진 부분은 이렇게 나눕니다.

2.9 러프는 완성본에서 거꾸로 짐작한다

러프는 원래 그림에 남아 있지 않으므로 복원할 수 없습니다. 대신 “작가가 어떤 러프를 그렸기에 이 선화가 나왔을까”를 거꾸로 짐작해 밑그림 두 장을 그립니다. 작가는 러프 1을 먼저 급하게 긋고, 러프 1을 대고 러프 2를 다듬어 긋고, 러프 2를 대고 선화를 긋습니다. 거꾸로 짐작할 때도 이 순서가 맞도록 짓습니다. 러프 2에는 선화가 대고 그을 선이 거의 다 들어 있고, 러프 1은 그 가운데 큰 덩어리 · 긴 선 · 눈 · 입 같은 표시만 더 거칠게 줄인 것입니다. 무엇인지 알아보는 것은 큰 덩어리(파츠 지도)와 찾은 얼굴(짜임선)뿐입니다. 눈 · 손 · 소품처럼 알아보지 않는 것은 기호(타원 등)로 바꾸지 않고 선화를 따라 긋습니다.

2.10 기본값이 감당하지 못할 때만 그림에 맞춘다

작가는 같은 펜으로 선을 그으므로, 선의 굵기를 세면 한 굵기에 몰립니다. 이 “펜 굵기”를 재면 그림 크기와 상관없이 선을 담을 창의 크기를 알 수 있습니다. 다만 이 프로그램의 다른 단계(배경 찾기가 쓰는 선 밀도 등)는 기본 창에 맞춰져 있으므로, 잰 값이 기본값을 분명히 넘을 때만 바꿉니다.

3. 작동 방식

flowchart TD
  A[그림 입력] --> B[처리 해상도로 줄이기]
  B --> C[선화 검출]
  C --> D[선 아래 색 복원]
  D --> E[선화 · 색 트레이스 알파 역산]
  E --> F[배경 찾기<br/>단색 → 장면 1단계 → 잘린 부분 → 2단계 → 여백 → 섬 되돌리기 → 색 모델<br/>→ 딸려 들어간 캐릭터 되돌리기 → 삼켜진 캐릭터 되돌리기 → 얼굴 기준 넓히기 → 틈]
  F --> G[수동 보정 마스크 반영]
  G --> H[배경 위 조각 · 배경 속 선 정리]
  H --> I[색 군집 → 영역 → 재질 묶기]
  I --> J[재질별 톤 → 밑색 · 그림자 · 하이라이트]
  J --> K[파츠 정리]
  K --> L[픽셀별 역산<br/>곱하기 · 스크린 나누기]
  L --> M[선화 층 · 재현 검증]
  M --> N[레이어 트리 · 러프]
  N --> O[미리보기 합성 / PSD 저장]

3.1 준비

그림을 처리 해상도(기본 긴 변 2048px)로 줄이고, 계산은 브라우저의 Web Worker(화면과 따로 도는 계산 스레드)에서 합니다. 워커를 쓸 수 없는 환경에서는 화면 쪽에서 그대로 계산합니다.

최대 선 굵기가 자동(0)이면 먼저 그림을 잽니다. 주변보다 어둡고 가는 구조의 중심선에서 선 굵기 분포를 세어 펜 굵기를 찾고, 해상도로 정한 기본 창이 이 선을 담지 못하면 창을 넓힙니다(4.3).

3.2 선화 검출

밝기 그림에 클로징(최대 필터 뒤 최소 필터)을 하면 선 굵기보다 가는 어두운 구조가 주변 밝은 색으로 메워집니다. $\text{클로징} - \text{원본}$(블랙 탑햇)이 선의 깊이입니다. 깊이가 큰 픽셀에서 시작해 조금 약한 픽셀까지 이어 붙이고(히스테리시스), 너무 작은 조각은 버립니다. 선이 모이는 교차점처럼 클로징 창보다 넓어진 어두운 덩어리는 선에서 이어서 채우되, 선 굵기를 넘어 계속되는 어두운 면(검은 옷)은 채우지 않습니다.

풀이 — 왜: 선은 “둘레보다 어둡고 펜 굵기보다 가는 것”이라, 굵기를 기준으로 어두운 구조만 골라냅니다(자세한 식은 4.3). 원리: 클로징은 창보다 좁은 어두운 골짜기를 둘레의 밝은 값으로 메우므로, 클로징 − 원본(블랙 탑햇)에는 가는 어두운 구조만 남습니다. 센 문턱에서 시작해 약한 문턱까지 잇는 히스테리시스는 캐니 경계 검출과 같은 방법입니다. 참고: R15 Soille 2003 · R18 Canny 1986

진하고, 살짝 흐리면 깊이가 크게 줄어드는 선은 선명한 선으로 따로 표시합니다. 배경을 가를 때 캐릭터 선과 흐린 배경 자국을 구분하는 데 씁니다.

3.3 선 아래 색 복원

선과 그 가장자리 1px을 “모르는 픽셀”로 두고, 바깥쪽부터 한 겹씩 이웃한 아는 픽셀들의 평균으로 채웁니다(양파 껍질 방식 인페인팅).

3.4 선화와 색 트레이스

선이 거의 완전히 덮은 픽셀들의 색 중앙값을 기본 선 색으로 정합니다. 픽셀마다 $\text{원본} = \text{선 알파} \times \text{선 색} + (1 - \text{선 알파}) \times \text{아래 색}$을 풀어 알파를 구하고, 기본 선 색으로 원본이 맞지 않는 곳(빛 받은 선, 색 선)은 그 자리의 실제 선 색을 따로 구해 색 트레이스 층에 넣습니다. 색 트레이스는 선화에 클리핑된 층이라, 선화의 알파 안에서 선 색만 바꿉니다.

풀이 — 왜: 선화 층을 따로 떼려면 픽셀마다 선이 얼마나 덮었는지(알파)를 알아야 합니다(자세한 식은 4.4). 원리: 불투명한 잉크가 픽셀의 𝑎만큼을 덮는 표준 합성식 $O = aK + (1 - a)U$를 알파 𝑎에 대해 풉니다. 선 색 𝐾와 아래 색 𝑈를 알면 𝑎가 정해지고, 기본 선 색으로 원본이 맞지 않는 곳만 실제 선 색을 따로 구합니다. 참고: R1 Porter · Duff 1984 · R2 Smith 1995

3.5 배경 찾기

누끼 모델(0.51 ~ 0.55, 기본): 그림(처리 해상도)을 긴 변 1024px로 줄여 1024×1024 칸 가운데에 놓고, 앱 안에 넣은 애니 캐릭터 분할 신경망에 넣습니다. 픽셀마다 나온 캐릭터 확률 $p$(0~1)를 원래 크기로 되돌립니다(4.5). 이 신경망은 수많은 애니 캐릭터 그림과 그 누끼로 미리 학습된 것이라, 윤곽선 없이 밝게 처리한 팔이나 테두리에 닿은 머리카락처럼 아래 단계로는 배경과 구별되지 않던 부분도 몸의 모양으로 알아봅니다. 0.52부터는 아래 단계(1~13과 신경망 보조)를 그대로 돌려 얻은 판정 $c$(캐릭터 1 · 배경 0)를 더해 $p + 0.4\,(c - 0.5) \ge 0.5$인 픽셀을 캐릭터로 둡니다. 두 방법이 같은 말을 하면 그대로 따르고, 엇갈리면 모델 확률이 0.3(기존 방식이 캐릭터라 할 때) 또는 0.7(배경이라 할 때)을 넘는지로 정합니다. 0.53부터는 모델이 캐릭터라 한 픽셀(확률 0.5 이상)이 그림의 1% 미만인데 기존 방식이 캐릭터라 한 픽셀이 5% 이상이면(모델이 캐릭터를 놓친 그림), 그 그림은 더하기 대신 기존 방식의 판정을 그대로 씁니다. 0.54부터는 모델 확률 $p$ 자체를 원래 모델의 확률 $p_0$와 같은 신경망을 더 학습한 판의 확률 $p_1$의 가중 평균 $p = 0.6\,p_0 + 0.4\,p_1$로 쓰고, 더하기의 문턱을 0.5에서 0.55로 올려 $p + 0.4\,(c - 0.5) \ge 0.55$인 픽셀을 캐릭터로 둡니다(더 학습한 판은 캐릭터를 테두리에 붙여 넣은 합성 그림 290장의 픽셀 정답과 픽시브 AI 생성 개발용 그림 292장에 원래 모델이 낸 확률을 부드러운 정답으로 삼아 12 에포크 학습한 것, 12의 0.54). 0.55는 더 학습한 판을 효과(글로우 · 파티클 · 빛줄기)를 배경으로 세도록 다시 학습한 판(0.54의 판에서 합성 290장 · 효과 합성 300장 · 픽시브 AI 생성 그림 292장으로 6 에포크 더 학습한 여섯 에포크의 평균, 12의 0.55)으로 바꾸고 두 확률을 같은 무게로 평균합니다: $p = 0.5\,p_0 + 0.5\,p_1$, 문턱과 되돌림은 0.54 그대로. 이 결과가 그대로 배경 층이 됩니다. 외곽 글로우(14) · 배경 위 작은 조각(15)은 누끼 모델을 쓸 때 적용하지 않고, 보정 칠하기는 적용합니다. 설정을 끄거나 모델을 돌릴 수 없는 브라우저에서는 아래 단계로만 나눕니다.

차례로 여러 방법을 쓰고, 찾은 배경을 합칩니다. 그림 가장자리를 가는 테두리 선(액자)이 두르고 있으면 배경 찾기가 테두리에서 출발하지 못하므로, 배경을 찾는 동안만 액자 두께만큼의 바깥을 바로 안쪽 색으로 채워 두고 찾습니다(4.5). 흰 배경의 캐릭터 설정화 · 카드처럼 얇은 테두리를 두른 그림에서 배경을 찾지 못하던 것이 풀렸습니다. 그림을 기울여 저장해 캔버스가 넓어지고 네 모서리가 한 색(흰색 등)이나 투명으로 채워진 그림(돌린 캔버스)은 그 채움을 알아보고, 배경을 찾는 동안만 채움과 그 둘레 3px를 가장 가까운 그림 내용의 값으로 채워 둔 뒤, 끝나면 채움을 배경으로 둡니다(4.5, 0.37). 모서리가 투명해도 투명 배경 그림으로 보지 않고 배경을 찾습니다. 채움의 곧은 변에서 그림이 몇 도 기울었는지도 알 수 있어, 얼굴을 그 기울기로 찾고(4.5) 아래 테두리 · 위쪽 모서리 규칙을 얼굴로 정한 그림의 실제 아래쪽에 맞춥니다.

  1. 단색 · 그라데이션 배경: 테두리에서 가장 흔한 색에서 출발해 선을 넘지 않고 비슷한 색으로 퍼집니다. 테두리를 따라 색이 서서히 바뀌는 그라데이션도 따라갑니다. 위 · 왼쪽 · 오른쪽 테두리에서 먼저 퍼지고, 아래 테두리에서만 닿는 곳은 거의 한 색일 때만 배경으로 둡니다(그림 아래 끝에 걸친 흰 옷 · 치마는 배경과 같은 흰색이어도 명암이 있음). 이웃 픽셀 사이 색 변화의 문턱은 긴 변 1200px 그림에서 맞췄고, 그보다 큰 그림은 크기에 비례해 줄입니다(같은 경계의 색 변화가 더 많은 픽셀에 나뉘기 때문. 5의 여백 넓히기도 같음). 줄인 문턱으로 배경이 모자라면 원래 문턱으로 다시 합니다. 벽과 색이 다른 바닥(선으로 그린 방)은 따로 찾습니다(4.5, 0.40). 주 배경색과 다른 한 색의 띠가 왼쪽 · 오른쪽 · 아래 테두리에 모두 닿고 윗변이 곧은 선(벽과 바닥이 만나는 선)이면 배경에 넣습니다. 그림 아래를 가로지르는 옷 · 머리카락은 윗변이 어깨선처럼 굽어 있어 걸리지 않습니다. 캐릭터가 바닥을 넓게 가려 벽과 바닥이 만나는 선이 군데군데만 보이면, 보이는 열을 가장 많이 지나면서 그보다 위로 튀어나온 열이 거의 없는 직선으로 다시 봅니다(4.5, 0.43). 찾은 배경이 밝고 거의 한 색이면(흰 배경 · 옅은 단색 배경) 좁은 틈을 막고 한 번 더 채웁니다. 선과 색이 확 바뀌는 경계에서 2px(긴 변 1200px 기준) 안으로는 채우기가 지나가지 못하게 해, 옅은 윤곽선이 끊긴 곳으로 흰 옷 · 옅은 머리카락 안까지 들어가지 않게 하고, 다 채운 뒤 경계 쪽으로 그만큼 되살립니다(4.5, 0.34).
  2. 장면 배경 1단계: 선의 밀도(선 픽셀을 넓게 흐린 값)가 낮은 곳 중 위 · 왼쪽 · 오른쪽 테두리와 이어진 곳. 다만 선으로 둘러싸인 곳(16방향 중 15방향 이상이 긴 변의 25% 안에서 선에 막힌 곳, 4.5)은 선이 드물어도 뺍니다. 넓게 흐린 선 밀도는 선 없는 흰 옷 · 치마 · 단색 머리의 가운데에서 배경만큼 낮아지지만, 둘러싸인 정도는 낮아지지 않습니다. 둘러싸인 곳을 빼니 장면 배경이 넓이 기준(아래 5)에 못 미치는 그림(화면 전체를 선으로 촘촘히 그린 그림)은, 둘러싸인 곳을 빼지 않고 1~5를 다시 합니다. 단색 배경(위 1)의 가장자리에서 색이 확 바뀌는 곳은 건너지 않습니다(4.5, 0.37). 윤곽선이 옷과 같은 색이라 선으로 잡히지 않는 검은 스타킹 · 검은 옷 · 짙은 머리카락이 흰 배경과 맞닿으면, 선이 드문 곳을 따라가는 장면 배경이 그 안까지 들어가 버렸기 때문입니다. 단색 배경이 없어도, 어두운 곳(밝기 $L^*$ 35 이하)으로 색이 확 바뀌는 걸음은 건너지 않습니다(4.5, 0.42). 흐린 장면 배경이 검은 다리 · 옷 안으로 번지던 것을 막습니다. 이 막기를 두 걸음 뒤(3px)까지 넓혀 장면 배경을 한 번 더 구하고, 처음 장면 배경에만 들었던 곳(단색 배경 · 틈은 빼고)은 배경 단계가 끝날 때 캐릭터로 남깁니다(4.5, 0.43). 옅은 가장자리를 2px 넘게 칠한 검은 옷 · 다리로 장면 배경이 넘어가던 것을 막습니다.
  3. 잘린 캐릭터 부분 가려내기: 테두리를 따라 걸으며, 선명한 윤곽선을 사이에 두고 배경 조각들 사이에 끼어 있고 양옆과 색이 확연히 다른 조각은 화면에서 잘린 캐릭터 부분(모자, 소매)으로 보고 되돌립니다.
  4. 장면 배경 2단계: 선명한 선은 없고 흐린 자국만 빽빽한 곳(흐리게 그린 선반, 글씨, 무늬)으로 넓힙니다.
  5. 여백: 캐릭터 둘레의 여백을 선을 넘지 않고 색이 매끄럽게 이어지는 곳까지 넓힙니다. 선으로 둘러싸인 곳으로는 넓히지 않습니다. 그다음 삼켜진 캐릭터를 되돌리고(아래 8), 남은 넓이가 그림의 2~90%일 때만 장면 배경으로 씁니다. 장면 배경 속 섬 되돌리기(4.5, 0.38): 단색 배경(위 1)이 있는 그림이면, 장면 배경 중 단색 배경과 같은 색이 아닌 덩어리(섬)가 위 · 왼쪽 · 오른쪽 테두리에 닿는지 봅니다. 닿지 않는 섬은 장면 배경이 단색 배경을 거쳐서만 들어간 곳 — 선 없이 칠한 옷 · 다리 · 머리카락이 단색 배경 가장자리의 약한 경계로 새어 나간 곳입니다. 이런 섬이 캐릭터 쪽 큰 덩어리(가장 큰 덩어리의 4분의 1 이상)와 이어져 있거나 얼굴을 품으면 캐릭터로 되돌립니다. 캐릭터에서 떨어져 떠 있는 글자 · 문양 · 반짝이는 덩어리가 작아 배경으로 남습니다.
  6. 색 모델: 배경도 선으로 그린 그림(불꽃놀이, 포장마차, 그래피티)을 위해, 그림을 작은 색 영역으로 나눈 뒤 “지금까지 찾은 배경”과 “선명한 선이 촘촘한 캐릭터 핵심”의 색 분포를 배워 영역 단위로 가릅니다(GrabCut 방식의 그래프 컷). 색이 많이 겹치는 그림, 이미 배경을 다 찾은 그림에서는 하지 않고, 이미 찾은 배경을 빼는 일 없이 더하기만 합니다. 선으로 둘러싸인 영역은 더하지 않습니다.
  7. 딸려 들어간 캐릭터 부분 되돌리기: 1~5에서 찾은 배경(아래 8로 되돌리기 전)을 선명한 색 경계와 선에서 잘라 조각으로 나눕니다. 위 · 왼쪽 · 오른쪽 테두리에 닿지 않고, 둘레의 80% 이상이 캐릭터와 맞닿아 있고, 색이 나머지 배경보다 캐릭터에 가까운 조각을 캐릭터로 되돌립니다(선 없이 칠한 팔 · 손 · 소매 · 날개). 색 모델은 되돌리기 전의 배경으로 계산하고, 되돌린 부분은 색 모델이 더한 배경에서도 뺍니다. 테두리에 닿은 조각이라도 확실한 얼굴(4.5)의 머리 · 몸 자리에 절반 넘게 들고, 넓이가 전체의 6% 이하이고, 둘레의 75% 이상이 캐릭터와 맞닿고, 색이 캐릭터에 가까우면 되돌립니다(화면 밖으로 잘린 머리카락 끝 · 소매 · 팔, 0.41). 어두운 캐릭터 부분(4.5, 0.43): 어두운 배경 위의 검은 머리카락 · 치마 · 다리는 윤곽선도 배경만큼 어두워 선으로 잡히지 않아, 단색 · 장면 배경 채우기가 통째로 가져갑니다. 그래서 같은 배경을 옅은 색 경계($\Delta E$ 5)에서도 잘라, 테두리에 닿지 않고 어둡고(평균 $L^*$ 35 이하) 색이 테두리 쪽 배경에서 드문 조각이 캐릭터(또는 이미 되돌린 조각)에 붙어 있으면 되풀이해 되돌립니다(다리 → 치마 → 몸으로 이어짐). 어두운 가구 · 바닥 같은 배경 물건도 함께 돌아오는 일이 있지만, 캐릭터를 잃는 것을 3배 무겁게 보면 AI 생성 그림에서도 이득입니다(12의 0.43).
  8. 삼켜진 캐릭터 되돌리기: 점수가 높은 얼굴(4.5)의 얼굴 자리나 정수리 칸이 4분의 1 넘게 배경이면, 윤곽선이 보이지 않는 캐릭터를 장면 배경이 통째로 삼킨 것입니다(검은 머리카락 · 옷의 윤곽선이 머리카락과 같은 색, 어두운 배경 위의 어두운 윤곽선). 배경을 선명한 색 경계와 선에서 잘라, 그 얼굴의 머리 · 몸 자리에 절반 이상 들고, 위 · 왼쪽 · 오른쪽 테두리에 닿지 않고, 색이 테두리 쪽 배경에서 드문 조각을 캐릭터로 되돌립니다. 그래도 삼켜진 얼굴이 남으면(배경과 거의 같은 색의 머리카락) 더 옅은 색 경계로, 그래도 남으면 그보다 더 옅은 경계와 더 고운 색 칸으로 한 번 더 나눕니다(0.34). 장면 배경 단계(5 뒤)와 색 모델 뒤(7 뒤)에 두 번 합니다. 얼굴이 멀쩡해도 그 아래 몸 자리에 절반 이상 드는 배경 조각은 먼저 되돌립니다(흰 배경 위의 흰 옷 · 치마가 아래 테두리까지 배경과 이어진 경우). 이때는 색이 드물 필요가 없지만, 색이 캐릭터보다 나머지 배경에 훨씬 흔한 조각(치마와 소매 사이로 보이는 배경, 글자 칸)은 남깁니다.
  9. 얼굴 기준으로 넓히기: 그림에서 애니풍 얼굴을 찾으면(4.5), 얼굴마다 머리와 몸이 있을 자리를 “캐릭터일 확률”로 두고 색 모델과 같은 영역 그래프 컷을 다시 합니다. 그 결과 배경 쪽이 된 영역 중, 색이 분명히 배경 쪽이고 머리 · 몸 자리 밖이며 이미 찾은 배경에서 선 없는 경계(맞닿은 길이의 절반 이상이 선이 아님)로만 이어진 곳을 배경에 더합니다. 7 · 8에서 되돌린 부분과 선으로 둘러싸인 영역은 가져가지 않고, 이미 찾은 배경을 빼는 일은 없습니다. 얼굴을 못 찾은 그림에서는 하지 않습니다. 색이 배경 쪽인지는 색 분포를 다시 배운 뒤와 처음 색 분포(머리 · 몸 자리 대 이미 찾은 배경) 둘 다로 봅니다(0.42). 다시 배우는 동안 드물게 보이는 어두운 색(검은 다리 · 옷)이 배경 쪽으로 쏠려, 확실한 배경이 되곤 했기 때문입니다. 이미 찾은 배경이 거의 한 색(흰 배경 · 단색 배경, 배경 픽셀의 60% 이상이 중앙값 색과 비슷함)이면 하지 않습니다. 벽 · 바닥 두 색으로 된 배경은 벽 쪽과 바닥 쪽을 각자의 중앙값 색과 견줍니다(0.40). 이런 배경은 1~8로 이미 거의 다 찾았고, 넓히면 같은 색의 캐릭터 부분(흰 드레스, 검은 머리카락)을 가져가는 일이 더 많았기 때문입니다(12의 0.27).
  10. 캐릭터 사이로 보이는 배경(틈): 찾은 배경이 거의 한 색이면(흰 배경 · 단색 배경), 캐릭터 쪽에 남은 칠 중 배경과 거의 같은 색($\Delta E$ 5 안)인 조각을 봅니다. 둘레가 선 · 배경뿐이고(다른 색 칠에 닿은 둘레가 10% 이하), 얼굴의 머리 자리 밖이고, 그림의 2% 이하인 조각은 팔과 몸 사이 · 머리카락 사이 · 다리 사이로 보이는 배경이므로 배경으로 보냅니다. 이런 곳은 사방이 윤곽선이라 1~9가 닿지 못하고, 선으로 둘러싸여 있어 일부러 막아 둔 곳입니다(0.31). 흰 옷 · 흰 머리카락은 그림자 · 음영에 닿아 있어 남습니다. 조건에 맞는 조각이 캐릭터 칠의 5%를 넘는 그림(흰 칠 흑백 선화, 흰 배경 위의 흰 옷)과 캐릭터 쪽 픽셀의 30% 이상이 선인 그림(입자 · 망점이 선으로 잡힘)은 하지 않습니다(4.5).
  11. 선으로 그린 네모난 배경 물건(4.5, 0.43): 끝으로, 캐릭터 쪽에 남은 칠 중 선으로 둘러싸인 축에 나란한 직사각형 조각(창문 유리 · 선반 · 책 · 액자)이 둘레의 절반 이상 배경에 둘러싸여 있고, 얼굴의 머리 · 몸 자리 밖이며 테두리에 닿지 않으면 배경으로 보냅니다. 같은 색 유리끼리 모인 창문은, 캐릭터에 가려 직사각형이 아니게 된 칸도 같은 색이면 배경으로 보냅니다.
  12. 신경망 보조 지우기(4.5, 0.49 · 0.50, 설정 “신경망 보조”): 끝으로, 캐릭터 쪽에 남은 색 영역 가운데 그림의 0.2% 이상인 것마다 두 판정에 묻습니다. 영역 특징 45개(색 · 위치 · 얼굴 기준 좌표 · 둘레 · 머리카락 결)로 매긴 통계식 점수와, 이 프로그램을 위해 처음부터 짜서 학습한 작은 합성곱 신경망이 줄인 그림 전체를 보고 낸 캐릭터 점수의 영역 평균을 한 로지스틱 회귀 식으로 묶어, 배경일 확률이 0.8을 넘을 때만 배경으로 보냅니다(0.50). 선 픽셀은 그대로 두고, 캐릭터로 되돌리지는 않습니다. 0.49는 두 판정이 각자 문턱을 넘을 때만 지웠습니다. 한 식으로 묶으면 한쪽이 아주 확실할 때 다른 쪽이 조금 덜 확실해도 지우고 반대도 마찬가지라, 남은 배경을 비슷한 만큼 지우면서 캐릭터를 잘못 지우는 일은 줄어듭니다(12의 0.50).

얼굴은 배경을 찾지 않았거나(배경 분리를 끔, 투명 배경 PNG) 찾지 못한 그림에서도 찾아, 파츠 이름과 캐릭터 나누기에 씁니다. 투명 배경 그림은 투명한 곳을 배경으로 보고 4.5의 “얼굴다운 자리” 조건을 봅니다.

설정 “큰 그림은 줄여서 나누기”의 “배경 · 얼굴만 줄여서 찾기”를 켜면, 1~9와 얼굴 찾기를 긴 변을 줄인 그림에서 하고 찾은 배경 · 되돌린 부분 · 얼굴을 원래 크기로 키워 씁니다(4.5).

그다음 사용자가 칠한 보정(배경으로 보내기 / 캐릭터로 되돌리기)을 자동 판정보다 우선해서 반영합니다. 배경을 못 찾은 그림은 배경으로 보내기를 칠했을 때 비로소 배경 층이 생깁니다.

캐릭터 자리 배경 메꾸기(0.56)

캐릭터를 떼어 낸 ‘배경’ 층은 캐릭터 자리가 투명하게 비어 있습니다. 0.56은 그 자리를 배경으로 추정해 채운 ‘배경 메꿈’ 층을 ‘배경’ 그룹 안 ‘배경’ 층 바로 위(글로우 · 배경 효과 아래)에 넣습니다(설정 “캐릭터 자리 배경 메꾸기”: 신경망 + 패치(기본) · 패치만 · 끔; 끄면 층이 없고 나머지 결과는 같음). 메꿈 층은 캐릭터 자리와 그 둘레의 좁은 띠(긴 변의 1/160, 3~12px)만 덮고 나머지는 투명이라, 배경 층은 그대로 두면서도 둘을 겹쳐 보면 캐릭터가 없던 배경처럼 보입니다. 띠까지 덮는 까닭은 배경 층 가장자리에 캐릭터 윤곽선 · 섞인 색이 몇 픽셀 남기 때문입니다. 이 단계의 그림에는 캐릭터가 이미 빠져 있으므로, 사진 편집기의 생성 채우기처럼 무엇이든 만들 필요가 없고 배경만 이어 그리면 됩니다. 그래서 풍경 사진으로 학습된 배경 전용 메꾸기 신경망을 쓰고, 질감은 남은 배경에서만 가져오며, 남는 연산은 메꾼 자리와 원래 배경이 만나는 이음매에 씁니다(수식은 4.5). ① 신경망 추정: 구멍을 비운 그림과 구멍 마스크를 긴 변 512로 줄여(아는 픽셀만 평균) 512×512 캔버스에 반사 패딩으로 놓고, 앱 안에 든 배경 메꿈 신경망 big-lama(푸리에 합성곱 ResNet 18블록, 가중치 5,090만 개, 풍경 사진 Places로 학습, Apache-2.0)에 넣습니다. 푸리에 합성곱은 그림 전체를 한 번에 보므로 멀리 떨어진 구조(창틀 · 바닥 널 · 나무 · 무늬)를 구멍 건너로 이어 그립니다. 출력을 잘라 전해상도로 올린 것(쌍삼차)이 초기 추정 G입니다. 모델은 브라우저 안 ONNX 런타임(WASM, 스레드 1개)에서 돌며 인터넷이 필요 없습니다. ② 원본 질감(패치 맞춤(PatchMatch)): 전해상도(긴 변 ≤ 1024)에서 구멍 픽셀을 G로 두고, 7×7 패치마다 아는 배경에서 가장 비슷한 패치를 찾아(전파 · 무작위 탐색, 2회 × 3번) 투표합니다. 최종 색 = w·패치 + (1 − w)·G, w = exp(−max(0, D − τ₀)/(2·max(med D, τ₁)))(τ₀ · τ₁ = 채널당 RMS 0.02 · 0.05에 해당하는 거리)로 대응이 좋은 곳(잡음 수준이면 완전히)은 원본 질감 그대로, 나쁜 곳(아는 배경에 없는 구조)은 신경망 추정을 씁니다. 중앙값만 기준으로 하면 흰 배경처럼 평탄한 그림에서 JPEG 잡음만큼의 거리도 나쁜 대응이 되어 신경망의 회색 잡음이 남으므로 절대 문턱을 둡니다. ③ 이음매 막 보정: 구멍 바로 바깥 1px 링에서 “채움이 예측하는 값”(패치 투표와 G를 그 자리 가중치로 섞은 것)과 실제 픽셀의 차이를 경계값으로, 구멍 안에서 조화(라플라스 = 0)인 막을 다중 격자로 풀어 채움에 더합니다(Poisson 이음새 없는 합성과 같은 식). 경계의 색 · 밝기 단차가 0이 되고 안쪽으로 매끈하게 퍼지며, 질감과 선은 그대로입니다. “패치만”은 신경망 없이 0.56 개발 중의 방식(반씩 줄인 피라미드 → 가장 거친 층 확산 → 거친 층에서 고운 층으로 패치 맞춤 → 규칙성 관문 → 경계 거리 등급 섞기)으로 1~5초에 끝나지만 끊긴 구조는 잇지 못합니다. 가중치는 8비트로 줄이지 않고 fp16(102 MB)으로 넣었습니다. 8비트(출력 채널별)로 줄이면 가중치 1% 수준의 교란에도 평탄한 배경의 색이 뒤집혀(fp32 대비 최대 오차 0.6~0.8) 쓸 수 없었고, fp16은 최대 0.007~0.03 차이입니다. 그래서 앱 파일이 약 205MB(0.55는 80MB)이고, GitHub의 파일 크기 제한(100 MiB) 때문에 저장소에는 분할 압축(illustracy-0.56.zip.001 · .002)으로 올립니다(1절). 배경만 다시 그린 합성 정답 177장과의 색 차이(MAE, 0~255)는 신경망 + 패치 2.82(장면 2.9 · 보케 9.0 · 줄무늬 0.4 · 자세 합성 1.9), 신경망만 6.08, 패치만 3.94(장면 18.3), 흰색으로 두면 84.20이고, 이음매 띠(경계 8px)의 MAE는 1.96 · 3.99 · 2.91입니다(11.17). 처음 보는 픽시브 AI 생성 그림 120장의 자연스러움 채점(8명 × 15장, 0~100)은 신경망 + 패치 59.2 · 신경망만 60.2 · 패치만 44.7점입니다. 어느 방식도 가려진 물건의 뜻은 모르므로 캐릭터가 가린 물건은 생기지 않습니다.

3.6 배경 위 조각과 배경 속 선 정리

3.7 영역 나누기와 재질 묶기

선 아래 색을 복원한 그림을 Lab 색공간에서 **k-평균**으로 몇 가지 색(기본 18)으로 나누고, 같은 색끼리 이어진 덩어리를 영역으로 삼습니다. 너무 작거나 가느다란 영역(가장자리 번짐)은 버리고 가까운 영역으로 채웁니다. 배경 판정에서 캐릭터로 둔 곳은 배경에서 2.5px 넘게 떨어져 있으면 배경 번호를 받지 않고 가까운 캐릭터 영역으로 채웁니다 (결이 있는 종이 · 잔 붓 자국은 색이 잘게 부서져 넓은 칠이 통째로 버려지고, 배경 쪽 번호가 번져 들어와 캐릭터가 배경이 되던 것). 틈(3.5의 10)으로 보낸 배경은 캐릭터 한가운데에 있어, 그 번호가 선을 타고 캐릭터 안으로 멀리 번질 수 있습니다. 가장 가까운 배경이 틈인 선 · 잔조각 픽셀은 틈에서 2.5px 넘게 떨어져 있으면 배경 번호 대신 가까운 캐릭터 번호를 줍니다(영역과 톤 모두, 4.6). 맞닿은 영역 쌍마다 경계가 선으로 막힌 길이와 열린 길이를 세어 인접 그래프를 만들고, 경계가 대부분 열려 있고 색이 같은 재질의 명암 관계이면 한 재질로 묶습니다. 붓 결이 선으로 잡힌 그림(선 양쪽 색이 같은 선이 절반 이상)에서는 양쪽 색이 같은 선 경계를 열린 경계로 셉니다(4.6).

3.8 톤과 밑색

재질마다 다시 k-평균으로 톤(최대 6개)을 나눕니다. 가장 넓은 톤(넓이가 비슷하면 더 밝은 쪽)의 밝은 쪽 평균이 밑색입니다. 색 있는 재질에서 가장 넓은 톤이 그림자이면(그림자 면을 넓게 칠한 망토 · 옷 · 머리카락) 그 그림자를 곱하기로 만들 수 있는 더 밝은 톤을 밑색으로 씁니다. 선으로 나뉜 같은 재질(앞머리 / 뒷머리)은 밑색을 서로 맞춥니다. 밑색이 흰색 · 회색인 재질 안의 진한 색 톤은 그 재질의 명암이 아니라 다른 재질이라(흰 몸과 선 없이 이어진 빨간 꼬리, 흰 털의 주황 무늬) 떼어 내어 제 밑색을 줍니다.

3.9 파츠 정리

실제 작업 파일처럼 부분 수를 줄입니다.

  1. 거의 같은 밑색끼리 한 파츠로
  2. 선 건너편의 더 어두운 면이 밝은 파츠의 그림자로 그럴듯하면 합침(흰 머리카락 옆 연보라 가닥). 그림자는 어느 채널도 밝은 면보다 밝을 수 없고, 밝은 면에 색상이 있으면 그 색상 가까이에 있어야 합니다(회색 옷 옆 살구색 피부, 크림색 옷 옆 분홍 피부는 합치지 않음)
  3. 작은 조각은 색이 비슷한 이웃 파츠로. 색이 비슷한 파츠가 없으면 아주 작은 조각(그림의 0.01% 미만)만 가장 길게 맞닿은 파츠에 합치고, 그보다 큰 눈동자 · 머리끈 · 단추는 제 밑색 그대로 따로 둡니다(파츠 수 상한을 넘으면 4의 “작은 파츠” 폴더로)
  4. 파츠가 최대 파츠 수를 넘으면 가장 작은 것부터 비슷한 색의 이웃에 합치고, 비슷한 이웃이 없으면 작은 파츠 폴더로
  5. 이름 붙이기: 캐릭터 얼굴마다 얼굴 틀로 콧등 · 볼(피부), 앞머리(머리카락, 이마가 드러났으면 그 위), 두 눈 칸(눈)을 차지한 파츠를 찾아 그 이름을 붙입니다(4.8). 나머지 파츠는 밑색의 색 이름(검정, 흰색, 파랑 …)으로 붙습니다. “피부”는 얼굴로 확인한 파츠에만 붙이고, 다른 살색 파츠는 얼굴을 못 찾은 그림에서도 “베이지 · 살구”로 부릅니다.
  6. 떨어진 머리카락 조각 떼기: 파츠는 같은 밑색을 그림 전체에서 모은 것이라, 머리카락과 같은 색의 치마 · 다리 · 소매 · 소품 · 배경 조각도 “머리카락” 파츠에 들어 있습니다. 얼굴의 머리 자리에서 같은 파츠를 따라 이어진 곳과, 거기서 가까운(얼굴 두 눈 사이의 2.5배 안) 조각만 “머리카락”으로 두고, 나머지는 같은 색의 따로 된 파츠(색 이름)로 뗍니다. 팔 · 소매에 가려 끊긴 긴 머리 · 트윈테일은 가까워서 남고, 몸 가운데의 넥타이 · 리본 · 다리는 가까워도 뗍니다. 피부는 떨어진 조각도 대부분 진짜 손 · 팔 · 다리라 떼지 않습니다. 층의 픽셀은 바뀌지 않고 파츠 층만 나뉩니다(4.8).

3.10 그림자 단계와 하이라이트

밑색보다 확실히 어두운 톤은 그림자입니다. 그림자 톤들을 밝기 순으로 늘어놓고 틈이 크게 벌어진 곳에서 1차 / 2차로 나눕니다. 단계마다 곱하기 색을 하나씩 정합니다(2차는 1차 위에 한 번 더 곱해지는 색). 밑색보다 확실히 밝은 톤은 하이라이트(표준 층)이고, 거의 흰색이며 훨씬 밝은 작은 톤 조각은 반짝임 후보입니다.

3.11 역산: 명암과 빛 나누기

픽셀마다 $\text{밑색} \times \text{1차} \times \text{2차} \to \text{하이라이트}$까지 칠한 색과 선 아래 복원색을 비교합니다.

풀이 — 왜: 밑색 · 그림자 층이 만든 색과 원본의 남은 차이를 곱하기 · 스크린 층에 담아, 층을 다 합치면 원본이 돌아오게 합니다(자세한 식은 4.9~4.11). 원리: 그림자는 곱하기라 밑색에 1차 · 2차 그림자 색을 차례로 곱하고, 하이라이트 톤은 그 색으로 덮습니다. 남은 어두워짐은 곱하기를, 밝아짐은 스크린을 거꾸로 풀어 구합니다. 참고: R1 Porter · Duff 1984 · R3 ISO 32000-1 2008

내용이 거의 없는 층은 만들지 않습니다(예: 셀 채색 그림의 그라데이션). 그 몫은 명암 · 빛에 남깁니다.

3.12 선화 층, 검증, 레이어 트리, 러프

선화 · 색 트레이스 층을 만든 뒤, 저장될 8비트 값 그대로 모든 층을 다시 합성해 원본과 비교합니다(재현 PSNR, 화면 오른쪽 위에 표시). 층들을 작업 파일 구성의 트리로 묶고, 러프 두 장을 만들어 맨 위 [러프] 폴더에 숨겨 둡니다.

[러프]
  러프 2 (다듬기)           표준 45%, 숨김
  러프 1 (컨셉)             표준 45%, 숨김
[캐릭터]
  [선화]
    색 트레이스             표준, ↳클리핑
    선화                    표준
  [효과]
    반짝임                  스크린
    빛                      스크린
  [채색]
    림라이트                스크린
    반사광                  스크린
    명암                    곱하기
    그라데이션              곱하기
    [피부] [머리카락] [보라] …  파츠 폴더(눈 · 피부 · 머리카락, 나머지는 밑색 색 이름)
      하이라이트            표준, ↳클리핑
      2차 그림자            곱하기, ↳클리핑
      1차 그림자            곱하기, ↳클리핑
      밑색 #7B56B5          표준
    [작은 파츠 (n)]         색이 비슷한 이웃이 없는 작은 파츠들
    실루엣 (선택용)         표준, 숨김
[배경]
  배경 효과                 스크린
  외곽 글로우               표준(캐릭터 둘레에 형광 띠를 두른 그림만)
  배경                      표준

배경이 없는 불투명한 그림은 [캐릭터] · [배경] 폴더 없이 [선화] · [효과] · [채색]이 맨 위에 옵니다.

설정 폴더 나누는 방식에서 단계별 폴더를 고르면(0.48) [채색] 안의 파츠 폴더 부분이 아래처럼 뒤집힙니다. 단계 폴더마다 파츠 층이 하나씩 있고, 밑색 층 이름 뒤에는 색 코드가 붙으며, 색이 비슷한 이웃이 없는 작은 파츠는 단계 폴더마다 [작은 파츠 (n)]로 모입니다(파츠가 없는 단계 폴더는 만들지 않음).

  [채색]
    림라이트 · 반사광 · 명암 · 그라데이션   (위와 같음)
    [하이라이트]            파츠마다 한 장(표준)
    [2차 그림자]            파츠마다 한 장(곱하기)
    [1차 그림자]            파츠마다 한 장(곱하기)
    [밑색]                  피부 #F2D3C4, 머리카락 #7B56B5 … (표준)
    실루엣 (선택용)         표준, 숨김

밑색과 그림자가 다른 폴더에 있으므로 클리핑은 쓰지 않습니다. 파츠끼리는 겹치지 않고 층마다 그 파츠 자리만 칠해져 있어, 불투명한 그림은 다시 겹친 결과가 파츠별 폴더와 같습니다 (예시 그림 · AI 생성 그림 · 투명 배경 그림 · 캐릭터 여럿인 합성 그림 2장에서 앱의 합성 결과가 픽셀 단위로 같음, psd-tools로 다시 그린 결과도 두 방식 사이 PSNR 99 dB). 가장자리가 반투명한 투명 배경 그림은 파츠별 폴더에서 클리핑을 끈 것과 같아, 클리핑을 켠 파츠별 폴더와는 반투명 가장자리 픽셀만 조금 다릅니다(가장자리를 흐린 시험 그림에서 전체의 0.83%).

캐릭터가 여럿이면 [캐릭터] 대신 왼쪽부터 [캐릭터 1] · [캐릭터 2] … 폴더가 생기고, 폴더마다 위와 같은 [선화] · [효과] · [채색]이 들어 있습니다. 캐릭터는 찾은 얼굴로 정합니다. 크기와 높이가 비슷하고 서로의 몸 자리 밖에 있는 얼굴들을 캐릭터로 보고(무릎 · 신발에서 찾은 가짜 얼굴은 빠짐), 각 얼굴의 머리 · 몸 자리에서 출발해 윤곽선을 벽으로 삼아 픽셀을 나눕니다(4.8). 층을 합성한 결과는 한 폴더일 때와 같습니다.

3.13 미리보기와 PSD 저장

미리보기는 브라우저 캔버스의 혼합 모드(multiply, screen)로 층을 겹치고, 클리핑은 포토샵과 같은 방식으로 흉내 냅니다. PSD는 외부 라이브러리 없이 직접 씁니다(RGB 8비트, 폴더, 클리핑, 혼합 모드, 한글 층 이름, 병합 이미지).

3.14 수동 보정

4. 알고리즘과 수식

수식이 많아 네 문서로 나눴습니다. GitHub은 한 문서에서 수식을 1,200개 남짓까지만 그려서, 한 문서에 다 두면 뒤쪽 수식이 그려지지 않기 때문입니다.

5. 물리 세계와의 대응

그림의 층 구성은 빛과 물감의 성질을 흉내 낸 것이고, Illustracy의 계산도 같은 대응 위에 서 있습니다.

물리 현상 그림의 층 계산
빛의 흡수: 색 필터(셀로판, 겹쳐 바른 투명 물감)를 지난 빛은 채널마다 투과율만큼 줄고, 필터 두 장은 투과율의 곱(비어–람베르트 법칙) 그림자, 명암, 그라데이션(곱하기) $x \cdot g$, 1차 그림자에 2차 그림자를 곱함 = 필터 두 장
빛의 더함: 조명을 하나 더 켜면 밝아지되 흰색을 넘지 않음. 슬라이드 여러 장을 한 스크린에 함께 투사한 것과 비슷해 붙은 이름이며, 식은 “두 빛 중 적어도 하나가 닿을 확률”과 같은 꼴 빛, 반짝임, 림라이트, 반사광(스크린) $1 - (1 - a)(1 - b)$
덮음: 불투명한 잉크가 픽셀 넓이의 𝑎만큼을 덮음. 선의 흐린 가장자리(안티에일리어싱)는 부분적으로 덮인 픽셀 선화, 밑색, 하이라이트(표준) $aK + (1 - a)U$
잉크 선: 빛을 흡수하는 가는 물질 선화 가늘고 어두운 구조 = $\text{클로징} - \text{원본}$
형태 그림자와 가림: 빛을 등진 면이 어둡고, 접힌 곳 · 맞닿은 곳은 주변 빛까지 가려져 더 어두움 1차 / 2차 그림자 톤을 밝기 틈으로 두 단계 분할
정반사: 매끄러운 표면(눈, 머리카락, 금속)이 광원을 작고 밝게 비춤 하이라이트, 반짝임 작고 매우 밝은 조각, 화이트 탑햇
역광과 스치는 각: 물체 가장자리에서는 표면이 시선과 거의 평행해 뒤에서 온 빛이 강하게 보임(프레넬 반사율이 스치는 각에서 커짐) 림라이트 실루엣에서의 거리로 가중
간접광: 바닥 · 주변에 튕긴 빛이 그림자 속을 다시 밝힘 반사광 그림자 픽셀 안의 밝아짐
거리와 확산 반사: 넓은 면에서 조명이 거리 · 각도에 따라 천천히 변함 그라데이션 저주파 성분(침식 + 흐림 포락선)
피사계 심도: 초점 밖 물체는 착란원만큼 퍼져 흐리게 찍힘 흐리게 그린 배경 “선명한 선”(살짝 흐리면 크게 약해지는 선)의 유무
사람의 색 지각: 눈은 초록에 가장 민감하고, 색 차이를 밝기와 색상으로 나눠 느낌 모든 색 비교 밝기 가중치 0.299 · 0.587 · 0.114, Lab과 $\Delta E$(약 2.3이 겨우 구분되는 차이 → 파츠 합침 기준 2.5)

풀이 — 왜: 층의 혼합 모드를 물리 현상에 대응시키면, 왜 그 혼합식이 그 층에 맞는지와 층을 고치면 어떻게 보일지를 예측할 수 있습니다. 원리: 곱하기 $x \cdot g$는 투과율 𝑔인 필터를 지난 빛이고, 필터 두 장은 투과율의 곱입니다(비어–람베르트 법칙에서 흡광도가 더해지면 투과율은 곱해짐). 스크린 $1 - (1 - a)(1 - b)$는 두 빛 중 적어도 하나가 닿을 확률과 같은 꼴이라 더해도 1을 넘지 않습니다. 표준 합성 $aK + (1 - a)U$는 넓이 𝑎를 덮는 불투명 잉크입니다. 2.5는 CIELAB에서 겨우 구별되는 차이(약 2.3)에 맞춘 문턱입니다. 참고: R12 Beer 1852 · R1 Porter · Duff 1984 · R3 ISO 32000-1 2008 · R8 Mahy et al. 1994

곱하기 · 스크린은 포토샵과 같이 감마 부호화된 sRGB 값에 대해 계산합니다. 물리적으로 정확한 선형 공간 합성은 아니지만, PSD를 열었을 때 포토샵이 같은 식으로 합성하므로 원본이 그대로 재현됩니다. 색 비교(k-평균, $\Delta E$)만 선형화를 거친 Lab 공간에서 합니다.

6. 체계 (프로그램 구성)

6.1 파일 구성

프로그램에는 다음이 들어 있습니다.

구성 요소 하는 일
화면 왼쪽 설정, 가운데 미리보기, 오른쪽 층 목록
IllustracyCore() 분해 알고리즘 전체. 함수 하나로 닫혀 있어 toString()으로 워커에 그대로 옮겨짐
누끼 모델 워커(0.51) 앱 안에 base64로 넣은 8비트 누끼 모델 · ONNX Runtime Web(WASM)을 처음 쓸 때 펼쳐 별도 워커에서 돌림. 그림마다 캐릭터 지도를 만들어 코어에 넘기고, 같은 그림이면 다시 쓰지 않음
워커 연결부 코어를 Blob URL 워커로 띄우고, 결과 층의 버퍼를 복사 없이 넘겨받음(transferable). 실패하면 화면 쪽에서 실행
PSD.write() PSD 파일 작성기
PSD.rename() 예전 버전으로 저장한 PSD의 층 이름 고치기(4.15)
합성기 미리보기, 차이 보기, PNG 저장, PSD 병합 이미지
보정 도구 배경으로 보내기, 캐릭터로 되돌리기, 올가미, 되돌리기 스택
예제 그림 앱에 넣어 둔 그림 10장(픽시브 AI 생성 그림, 출처는 12절 0.59i 항목) 중 하나를 무작위로 엶(바로 앞과 같은 그림은 피함). 0.59h까지는 캔버스로 직접 그리는 셀 채색 그림
도움말 쓰는 법 · 원리 · 수식 · 검증을 정리한 페이지(illustracy-help.html). 0.59h부터 앱 파일 안에 넣지 않고 앱과 같은 폴더에 두며, 머리글의 도움말 버튼이 그 파일이 있는지 확인한 뒤 새 창으로 엽니다(없으면 알리고 멈춤). 도움말 쪽 버튼은 그 창을 닫고 앱으로 돌아감(따로 연 도움말이면 illustracy.html을 엶)

6.2 데이터 흐름

입력 그림 ─(처리 해상도로 축소)→ ImageData
  ─(누끼 모델 켬: 누끼 워커)→ 캐릭터 지도(0/1) ─(옵션 cutMask로)
  ─(워커로 전달)→ IllustracyCore.process
  → 채널별 Float32Array (R, G, B, A, 복원색 U, 선 알파, 선 색, 마스크 …)
  → buildLayers: 층마다 RGBA Uint8ClampedArray를 내용이 있는 사각형으로 잘라 { x, y, w, h, data }
  → 층 트리 + 통계(시간, 파츠 수, 재현 PSNR)
← 워커에서 화면으로 버퍼 이동
  → 층마다 캔버스 생성 → 미리보기 합성 / 층 목록 / PSD 작성

6.3 층 객체

{ name, kind, blend, opacity, visible, clipping, x, y, w, h, data }   // 픽셀 층
{ name, kind: 'group', group: true, blend: 'pass', open, children }  // 폴더

kind는 line, trace, flat, shadow, shadow2, highlight, gradient, shade, reflect, rim, effect, sparkle, bg, bgfill(0.56), bgfx, glow, silhouette, rough입니다. 보정 도구와 PSD 작성기는 이 값으로 층의 역할을 알아봅니다.

6.4 상태와 되돌리기

6.5 결정성

모든 난수는 고정 씨앗의 mulberry32 생성기를 씁니다(본 과정 12345, 색 모델 · 얼굴 단계가 같이 쓰는 영역 그래프 777). 얼굴 찾기는 난수를 쓰지 않습니다. 같은 그림과 같은 설정이면 언제나 같은 결과가 나오고, 한 단계를 고쳐도 다른 단계의 난수 흐름이 흔들리지 않습니다.

7. 이슈와 해결

개발 중 AI 생성 그림으로 검증하며 드러난 문제와 해결 방법입니다.

풀이 — 왜: 이 절의 수치(𝑝, 구간, 나아짐 · 나빠짐 수)는 문제마다 같은 식을 되풀이해 적지 않고 11.1의 식으로 구했습니다. 원리: 비율의 구간은 윌슨 구간, 같은 그림을 두 판으로 본 비교는 맥니마 · 부호 검정(갈린 그림만 세는 이항 검정), 작은 표는 피셔 정확 검정입니다. 판정 기준 자체(큰 손실 없음 등)는 11.1과 11.15에 있습니다. 참고: R56 Wilson 1927 · R72 McNemar 1947 · R63 Fisher 1922 · R85 Dixon · Mood 1946

7.1 분해 품질

문제 원인 해결
흰 머리카락 옆 연보라 그림자 가닥이 따로 파츠가 됨 그림자 면이 선으로 나뉘어 있어 “선 없는 경계” 규칙에 안 걸림 선 건너편의 더 어두운 면이 밝은 파츠에 대부분 둘러싸이고 밝기 비 · 채도가 그림자 관계이면 합침(4.8의 2)
파츠가 수십 개로 늘어남 색이 많은 그림에서 작은 색 조각이 모두 파츠가 됨 최대 파츠 수 + 색이 비슷한 이웃에만 합치기 + “작은 파츠” 폴더
머리카락 결 · 피부의 밝은 면이 반짝임으로 잡힘 밝아짐의 크기만 봄 그림 자체에서 주변보다 튀는 옅은 색만 인정(화이트 탑햇 + 최소 채널 조건)
작은 그림에 굵은 선으로 그리면 선을 거의 못 찾음(800px에 12px 선: 찾은 선 1%) 선 검출 창을 해상도로만 정함 그림에서 펜 굵기를 재서, 기본 창이 모자라면 넓힘(4.3). 같은 그림 92%
선 사이 1~2px 틈의 색이 어긋남 인페인팅이 양쪽 선에서 섞임 선 알파를 최소제곱으로 풀고, 맞지 않는 곳은 최소 알파 색 트레이스로 정확히 재현
러프 선이 뚝뚝 끊어짐(선화의 길잡이로 쓸 수 없음) 옅거나 가는 선은 흐린 뒤 값이 작아 마지막 문턱 아래로 떨어진 곳마다 끊김. 색 경계에서 나온 자잘한 자국과 반짝임 부스러기도 점점이 남음 선의 가운데 줄을 획 아래에 최소 진하기로 깔고, 가운데 줄과 이어지지 않는 부스러기와 색 경계 자국은 뺌. 덧그린 연필 느낌은 그대로. 선 1000px당 조각 수 16~35 → 3.6~5.4
러프를 가운데 한 줄의 고른 선으로 바꿨더니 기계가 윤곽을 딴 것처럼 작위적임 사람의 러프는 굵기 · 진하기가 선마다 다르고 여러 번 덧그려 번져 있음 고른 한 줄 방식은 버리고, 원래 선의 굵기를 따르는 부드러운 획 + 세 번 덧그리기로 되돌림(끊김 방지만 더함). 0.44에서 가운데 줄을 다시 쓰되 획마다 다르게 긋는 방식으로 바꿈(아래 줄)
(0.44) 러프가 사람이 그린 것 같지 않음: 한 획을 두세 번 긋지 않고, 계단이 보이고, 필압이 없음 흐린 선을 잡음으로 비틀어 세 번 겹친 면이라 획 단위가 없고, 픽셀마다 난수로 결을 줘 가장자리가 지글거림. 굵기가 선 굵기만 따라 획 끝이 가늘어지지 않음 가운데 줄을 사람이 긋는 길이의 획으로 나눠 획마다 2번이나 3번 어긋나게 긋고, 필압으로 끝을 가늘고 옅게, 덮인 정도로 안티에일리어싱(4.14). 획마다 길이 · 굵기 · 진하기가 달라 고른 한 줄이 되지 않음. 눈가림 짝 판정 종합: 같은 60장 51 : 9, 처음 보는 40장 34 : 6(12의 0.44)
(0.45) 러프 세부가 무너짐: 눈 · 입 · 손가락 · 리본이 덩어리 · 구슬 마디로 뭉개짐 얼굴의 짧은 획(속눈썹 끝 · 코 · 입꼬리)을 곁가지로 쳐 내고, 굵은 선을 그 굵기대로 그어 작은 형태가 덩어리가 되고, 덧긋기가 비껴 작은 형태를 덮음 얼굴 자리에서는 작은 획을 남기고 덜 흔들어 진하게, 원래 선을 45%로 밑에 깔고, 획 반지름은 2.5px까지(4.14). 작가식 기준 러프 18칸 F 0.714 → 0.740, 처음 보는 40장 눈가림 세부 36 : 0(12의 0.45)
(0.46) 러프가 선화를 따라 그린 것 같음: 작가가 선화 전에 그렸을 밑그림이 아니라, 서명 · 글씨 · 망점 · 배경 질감까지 베낀 듯함 선화의 가운데 줄을 따서 다시 그었기 때문 선화를 따르지 않고 “어떤 러프였기에 이 선화가 나왔나”를 거꾸로 짐작: 큰 덩어리 · 얼굴 짜임 · 이목구비를 먼저 잡는 러프 두 장(2.9, 4.14). 처음 보는 40장 눈가림에서 러프 2가 0.45보다 작가가 그렸을 법함 29 : 11, 사람 손 같음 34 : 6(12의 0.46)
(0.47) 러프 2의 형태가 무너짐: 눈이 안경테 같은 고리 · 꽃 모양 동그라미가 되고, 배경으로 나뉜 치마 · 팔과 배경 구도가 빠지고, 선이 가늘게 토막 나 얼굴 · 손이 흐림 눈동자를 타원으로 “알아보아” 바꿨고(눈 전체를 감싼 타원 · 반짝임 타원), 선화 지도에 캐릭터 선만 있고, 꺾이는 곳마다 붓을 떼고 끝을 아주 가늘게 뺐기 때문 알아보는 것은 큰 덩어리와 찾은 얼굴뿐으로 두고 눈 · 손 · 소품은 선화를 따라 긋기(칠한 모양은 둘레로), 선화가 있는 곳의 윤곽은 선화로 다시 긋기, 배경의 긴 밝기 경계를 옅게, 날카로운 꺾임에서만 붓을 떼고 조금 굵고 진하게(2.9, 4.14). 처음 보는 그림 네 회(각 40장)의 눈가림에서 고칠 때마다 앞 판보다 나았고, 마지막 회는 앞 회 대비 형태 12 : 0(12의 0.47)
(0.57) 러프 2가 의미 없는 선 뭉치(그물)가 됨: 처음 보는 그림의 약 17%에서 얼굴 · 옷이 촘촘한 망으로 덮여, 이 러프를 대고 선화를 그렸다고 믿기 어려움 선 알파 0.25 이상을 모두 선화로 보아 칠 · 음영 · 결 덩어리까지 들어갔고, 덩어리를 세선화한 가운데 줄이 그물(세포 망)이 되며, 얼굴은 세부를 여러 번 겹쳐 그음 둘레보다 0.15 이상 진한 곳만 선으로(지역 대비), 작은 구멍은 메우고 꽉 찬 덩어리는 둘레만, 그림마다 잰 펜 굵기에 맞춘 G펜으로 한 번씩 따라 긋기(필압 · 손떨림 보정, 2.9, 4.14의 11). 작가식 기준 러프 18칸 F 0.728 → 0.742 · 재현율 0.825 → 0.845(14 : 4, $p = 0.03$)
(0.58) 러프 2의 작은 눈이 네모 상자처럼 그어짐 굵은 눈 테두리 · 속눈썹(5~6px)은 가운데가 둘레 평균과 비슷해, 한 크기 창의 지역 대비로는 두 가장자리만 선으로 남음 두 배 넓은 창에서도 둘레보다 진하면 선으로(두 크기 창) 굵은 선을 가운데 한 줄로(4.14의 11). 처음 보는 240장 눈가림(11.18)
(0.59) 러프 2가 굵기 · 진하기가 한결같은 가는 선이라 “기계적” · “트레이스 같다”는 판정을 받음(0.58이 240장 눈가림에서 0.56에 짐, 65 : 153) G펜 획의 잉크 진하기가 한결같고 굵기만 원래 선을 따라, 획 안의 강약과 선 사이의 중요도 차이가 없음 획마다 필압 곡선 · 선 중요도로 진하기 · 덧긋기 · 손떨림 보정 강화(2.9). 처음 보는 240장 0.59 : 0.56 = 127 : 71($p = 8.4 \times 10^{-5}$, 11.19)
(0.59e) 러프 2의 눈 · 입이 빠지거나 테두리 고리만 남음(“빠진 형태”) 둘레보다 진한 선만 따라 그어 어두운 홍채 위의 눈 · 입이 걸리지 않고, 걸려도 꽉 찬 덩어리를 비워 고리만 남음. 얼굴 밖 짧은 토막 정리가 안경테 · 손가락 같은 외톨이 획도 지움 눈 · 입 상자 안은 선화를 그대로 선으로, 덩어리는 가운데 한 획으로. 짧은 토막 정리는 다른 선과 나란히 붙은 토막에만(2.9). 전문가 역할 15명 0.59e : 0.56 = 100 : 33($p = 5.0 \times 10^{-9}$, 11.19)
얼굴로 붙인 “머리카락” 이름이 검은 원피스 · 흰 옷에도 붙음 파츠는 색으로 나눈 것이라 머리카락과 같은 색의 옷이 한 파츠 몸통 가운데의 25% 이상을 덮는 색은 머리카락이라 부르지 않음. 피부 표와 머리카락 표를 함께 받은 색도 부르지 않음
앞머리 둘레(옆머리까지)로 머리카락을 고르니 옷깃 · 모자 · 배경이 뽑힘 옆머리 자리는 그림마다 옷 · 모자 · 배경이 차지함 이마 바로 위 앞머리만 보고, 드러난 이마(피부)는 빼고 셈
하얀 옷과 한 색이 된 창백한 피부 파츠가 “피부”가 됨 볼 · 콧등을 차지한 파츠가 옷과 같은 색 “피부”는 따뜻한 색이고 너무 하얗지 않을 때만
창백한 피부(밝기 85% 이상, 채도 3~7%)의 얼굴 · 손에 “피부” 이름이 하나도 없음(픽시브 AI 생성 그림, 0.23) 채도 7% 미만은 흰 옷일 수 있어 피부로 부르지 않음 파츠 넓이가 얼굴 · 손 · 팔다리 정도(가장 큰 얼굴의 $12d^2$ 이하, 그림의 13% 이하)일 때만 옅은 피부도 인정(4.8의 7). 픽시브 AI 생성 그림 14장에 새로 붙어 12장은 얼굴 · 손에 맞게, 2장은 섞임
얼굴을 못 찾은 그림에서 금발 · 해바라기 밭 · 방 안 · 과자에 “피부” 이름(픽시브 AI 생성 그림, 0.24) 살색 밑색의 색 이름이 “피부”였음(얼굴을 찾은 그림에서만 “베이지 · 살구”로 바꿔 부름) 살색 색 이름은 늘 “베이지 · 살구”, “피부”는 얼굴로 확인한 파츠에만(4.8의 10). 43장의 “피부”가 빠짐(맞게 붙던 10장도 색 이름이 됨)
빛줄기 사이로 보이는 배경 틈이 선화로 잡힘 밝은 빛줄기 사이의 어두운 틈도 “가늘고 어두운 것” 배경에 거의 둘러싸이고 배경과 같은 색인 선 조각은 선화에서 뺌
이마를 드러낸 머리에서 엉뚱한 파츠가 “머리카락”(카페와 마스코트 그림) 앞머리 칸이 모두 이마면 후보가 없는데도 표 0개인 첫 파츠를 고름 표가 있는 파츠만 고르고, 이마가 드러났으면 그 위 칸에서 고름
흰자 위 연보라 그림자가 “머리카락 2”(예제 그림) 이 그림체에서 찾은 눈 위치가 0.22𝑑 아래라 앞머리 칸에 흰자가 걸침 넓이 $0.3d^2$ 미만 파츠와 눈동자는 머리카락 후보에서 뺌
옷 · 리본 · 머리카락 조각에 “머리카락” · “피부” · “눈”(검은 원피스, 청록 앞치마, 노란 옷, 리본) 무릎 · 손 · 옷 무늬의 가짜 얼굴도 표를 줌 캐릭터 얼굴만 표를 줌
점수가 낮은 두 번째 캐릭터의 머리카락에 이름이 없음(단풍 그림의 마녀) 표 무게 $(\text{점수} - 10)^2$로 가장 센 얼굴의 26% 캐릭터 얼굴은 모두 같은 무게
머리가 작은 두 번째 캐릭터가 이름 · 폴더를 잃음(합성 두 사람 그림) 머리 타원($4.4d \times 4d$)의 30% 넘게 배경이면 가짜로 봄 얼굴 타원(눈 · 볼)이 배경 위에 있지 않으면 남김
창백한 얼굴과 옅은 머리가 한 파츠인데 “피부” 앞머리 칸에서 피부 파츠를 빼고 셈 피부 파츠가 앞머리 칸과 그 위를 거의 다 덮으면 이름을 붙이지 않음
머리카락과 같은 색의 치마 · 다리 · 소매 · 소품 · 배경 조각에 “머리카락” 이름(픽시브 AI 생성 그림, 0.27) 파츠는 같은 밑색을 그림 전체에서 모으고, 이름은 파츠 단위로 붙음 얼굴의 머리 자리와 이어졌거나 가까운($2.5d$ 안) 조각만 이름을 남기고 나머지는 색 이름 파츠로 뗌(4.8의 9). 틀린 곳 339 → 292곳, 틀린 이름이 없는 그림 410 → 437장(666장 중)
붓 그림에서 파란 머리카락 파츠가 옅은 피부 · 흰자 · 눈동자 · 재킷까지 삼킴 한쪽만 무채색인 두 색은 무채색 쪽이 8 넘게 밝기만 하면 “흰 하이라이트”로 봄. 채도 12 미만인 옅은 피부는 어떤 어두운 색의 하이라이트도 됨 무채색 쪽에 알아볼 만한 색상(채도 4 이상)이 있으면 색상이 같아야 함(4.6). 합성 붓 그림에서 파츠 순도 85% → 99%
채도가 빠진 그림자(회색 쪽이 어두움)가 따로 재질이 됨 한쪽만 무채색이면 밝은 하이라이트만 인정 색상이 같고 4 이상 어두우면 그림자로 인정(밝기 30 이상만)
회색 드레스 옆 살구색 피부, 크림색 옷 옆 분홍 피부가 한 파츠가 됨 파츠 정리의 “선 건너 그림자 면” 규칙이 채도가 낮은 쌍에서 색을 거의 보지 않음 그림자는 어느 채널도 밝은 면보다 밝지 않고, 밝은 면에 색상이 있으면 50° 안(4.8의 2)
붓 결 · 머리카락 결이 선으로 잡혀 머리카락이 여러 파츠로 쪼개짐 선으로 막힌 경계는 재질 경계로 봄 그림의 선 대부분이 양쪽 색이 같은 결이면 결은 열린 경계로(4.6). 합성 붓 결 그림에서 머리카락이 한 파츠에 든 비율 36~54% → 97~100%
긴 금발 · 전신 그림의 다리 피부에 이름이 안 붙음 파츠의 절반 넘게 얼굴에서 $6d$ 밖이면 이름을 붙이지 않음 3분의 2 넘게 밖일 때만 뺌
빛을 받아 밝아진 갈색 머리카락이 피부 파츠에 합쳐져 피부 · 머리카락 이름이 모두 빠짐(합성 두 사람 그림) 파츠 정리의 “선 건너 그림자 면” 규칙이 색상이 같은 갈색(채도 30)을 옅은 피부(채도 16)의 그림자로 봄(밝기 비 0.52) 밝기 비 0.6 미만이면서 그림의 1% 이상인 면은 그림자로 합치지 않음(4.8의 2). AI 생성 그림 25장 · 합성 48장에서 이 조건에 걸린 것은 이 한 경우
투명 배경 PNG, 배경 분리를 끈 그림에 파츠 이름 · 캐릭터 폴더가 없음 얼굴 찾기를 배경을 찾은 그림에서만 함 얼굴은 늘 찾고, 투명한 곳을 배경으로 보고 가짜 얼굴을 거름. 투명 배경 합성 그림 8장에서 얼굴 0 → 14개(14개 중), 캐릭터 폴더 0 → 5장(5장 중)
흰 몸과 선 없이 이어진 빨간 꼬리, 흰 털의 주황 무늬, 흰 옷 사이의 노란 장식이 밑색 층에서 흰색 · 회색이 됨(픽시브 AI 생성 그림, 0.38) 재질 묶기는 한쪽만 무채색이면 흰 쪽이 8 넘게 밝을 때 하이라이트로 보아 한 재질로 묶고, 밑색은 그 재질에서 가장 넓은 흰 톤 밑색이 무채색인 재질에서 채도 25 이상인 톤을 떼어 새 재질로(4.7). 톤 지도는 그대로라 배경 · 캐릭터 지도는 642장 모두 같음
눈동자 · 머리끈 · 넥타이 같은 작은 색 면이 밑색 층에서 사라지고 피부 · 머리카락 색이 됨(0.38) 파츠 정리 3은 그림의 0.15% 미만 조각을 색이 비슷한 이웃이 없어도 가장 길게 맞닿은 파츠에 합침 색이 비슷한 파츠가 없으면 0.01% 미만 조각만 합치고 나머지는 따로 둠(4.8의 3). “작은 파츠”가 그림당 평균 1.8 → 4.2개로 늘고, 검은 머리카락의 밝은 광택 띠처럼 하이라이트 조각이 따로 남기도 함
그림자 면을 넓게 칠한 망토 · 옷 · 머리카락의 밑색이 그림자 색(0.38) 밑색은 가장 넓은 톤(넓이 75% 안에서 가장 밝은 톤) 색 있는 재질에서 지금 밑색을 곱하기로 만들 수 있는, 넓이 35% 이상 · 같은 색상의 밝은 톤이 있으면 그 톤을 밑색으로(4.7)

7.2 배경 판정

문제 원인 해결
화면 아래에서 잘린 소매 · 치마가 배경이 됨 아래 테두리에서도 배경을 채움 아래 테두리는 출발점으로 쓰지 않음. 바닥은 옆 · 위 배경과 이어져 있으면 그쪽에서 채워짐
위 · 옆에서 잘린 모자 · 소매가 배경이 됨 테두리에 닿고 안쪽에 선이 적음 테두리를 걸으며 선명한 윤곽선 사이에 끼고 양옆과 색이 다른 조각을 되돌림(4.5)
방 모서리 · 기둥이 잘린 부분으로 오인됨 모서리 한 픽셀이 배경이 아니라 조각이 테두리 사이에 낀 것처럼 보임 위쪽 두 모서리 5% 안에 닿은 조각은 대상에서 뺌
흐리게 그린 선반 · 글씨가 캐릭터로 남음 선 밀도가 높음 “선명한 선은 없고 흐린 자국만 빽빽한 곳”으로 2단계 확장
불꽃놀이 · 포장마차 · 그래피티 배경을 못 찾음 배경도 선으로 그려 선 밀도로 구분 불가 색 모델 그래프 컷(4.5). 경계 겹침 IoU 0.72 → 0.90(그래피티), 0.71 → 0.79(불꽃놀이)
색 모델이 검은 옷 · 어두운 머리카락을 배경으로 가져감 검은 배경과 검은 옷 사이에 보이는 선이 없고 색도 같음 검정에 가까운 무채색은 더하지 않음, 배경이 이미 테두리의 90%를 두르면 하지 않음
색 모델이 수채풍 그림의 교복을 배경으로 가져감 교복과 벽 · 책상 색이 비슷함 캐릭터 핵심과 배경의 색 분포 겹침이 0.3 이상이면 하지 않음
색 모델이 책 · 모자 같은 소품을 떼어 감 선으로 막힌 경계는 끊는 비용이 낮음 새 배경은 기존 배경에서 선명한 선을 건너지 않고 이어질 때만 인정
선 없이 부드럽게 칠한 팔 · 손 · 소매 · 날개가 배경이 됨 선 밀도가 낮아 배경 채우기가 선 없는 경계를 타고 들어감 배경을 선명한 색 경계에서 조각내고, 캐릭터에 붙어 있고 색이 캐릭터 쪽인 조각을 되돌림(4.5)
안에 선이 없는 흰 옷 · 치마 · 단색 머리의 가운데가 배경이 됨(0.30까지 큰 손실의 가장 흔한 원인) 선 밀도를 넓게 흐려 쓰므로 넓은 면의 가운데에서는 선 밀도가 배경만큼 낮아지고, 옅은 윤곽선을 여백 넓히기가 색을 따라 넘어감 선 지도에서 사방 16방향으로 뻗어 거의 모든 방향이 선에 막히는 곳(둘러싸인 곳)은 장면 배경 · 여백 넓히기 · 색 모델 · 얼굴 기준 넓히기가 가져가지 않게 함(0.31, 4.5)
되돌린 작은 부분(고양이 귀)이 다시 배경이 됨 캐릭터와 가는 띠로만 이어져 “배경 위에 뜬 작은 조각”으로 보임 되돌린 부분은 배경 효과 후보에서 뺌
되돌리기가 색 모델 결과까지 바꿈 색 모델이 배우는 배경 색이 달라짐 색 모델은 되돌리기 전 배경으로 계산하고, 되돌린 부분만 나중에 뺌
배경과 캐릭터를 같은 색 · 같은 선으로 그린 그림(단풍 · 등롱 · 주방)은 색 모델이 동작하지 않음 무엇이 캐릭터인지 알려 주는 단서가 없음 애니풍 얼굴(두 눈)을 찾아 머리 · 몸 자리를 캐릭터 쪽으로 두고, 그 밖의 확실한 배경만 더함(4.5)
얼굴 기준 넓히기가 지팡이 · 치마 끝 · 팔 · 소매를 배경으로 가져감 머리 · 몸 자리 밖에 있고 색이 배경과 비슷함 기존 배경에서 “선 없는 경계”로만 이어질 때 인정. 캐릭터는 윤곽선으로 둘러싸여 있어 넘어가지 않음
삼켜진 캐릭터를 되돌린 그림에서 다른 캐릭터의 머리카락이 배경에 남음(픽시브 AI 생성 그림의 세 사람 셀카, 0.19) 되돌린 캐릭터의 재킷 색이 캐릭터 쪽 색 분포에 들어가, 가운데 인물의 보라 머리카락 조각의 색 우도비가 1.39 → −0.38로 떨어짐 딸려 들어간 부분 되돌리기는 삼켜진 캐릭터를 되돌리기 전의 배경으로 판정(4.5). 이 그림의 배경 40% → 34%, 다른 그림 · 합성 그림은 그대로
윤곽선이 머리카락 · 배경과 같은 색인 단색 캐릭터(윤곽선과 같은 색의 검은 머리, 어두운 배경 위의 보라 머리 · 옷)가 통째로 배경이 됨 장면 배경은 선이 드문 곳을 배경으로 보는데, 보이는 윤곽선이 없어 선 없는 머리카락 · 옷으로 그대로 넘어감. 딸려 들어간 부분 되돌리기는 둘레의 80%가 캐릭터와 맞닿은 조각만 보므로, 바깥 둘레가 모두 배경인 머리카락 · 옷은 되돌리지 못함 점수 13 이상인 얼굴의 얼굴 · 정수리 자리가 배경이면, 그 머리 · 몸 자리에 든 배경 조각 중 테두리에 닿지 않고 색이 테두리 쪽 배경에서 드문 것을 되돌림(4.5). 합성 그림에서 지킨 캐릭터 81.1% → 97.6%
그라데이션 하늘 앞의 단색 검은 머리 캐릭터에서 배경을 하나도 못 찾음 장면 배경이 캐릭터까지 삼켜 넓이가 90%를 넘자 통째로 버려짐 삼켜진 캐릭터를 되돌린 뒤 넓이를 잼(찾은 배경 0% → 100%)
배경과 거의 같은 색($\Delta E$ 9 안팎)의 검은 머리가 보케 배경에 섞임 선명한 색 경계($\Delta E \ge 20$)가 없어 조각이 갈리지 않음 되돌린 뒤에도 삼켜진 얼굴이 남으면 $\Delta E \ge 8$ 경계로 한 번 더 나눔(지킨 캐릭터 59% → 98%). 윤곽이 $\Delta E$ 6뿐인 단색 배경 앞의 머리는 남음(10)
무릎 · 손 · 그릇 · 옷 무늬 · 배경의 장식을 얼굴로 봄 둥글고 어두운 점 두 개 + 그 아래 밝은 면 가짜 얼굴은 그 자리를 지킬 뿐 배경을 더하지 않고, 놓친 얼굴은 캐릭터를 지키지 못하므로 놓치지 않는 쪽으로 문턱을 둠
무릎 · 쿠션을 진짜 얼굴의 3~4배 크기 얼굴로 봐서, 그 “머리 · 몸 자리”가 창가 그림의 배경 절반을 막음 가짜 얼굴이 클수록 지키는 자리가 넓음 머리 타원이 그림 밖으로 20% 넘게 나가거나 이미 찾은 배경이 30%를 넘는 얼굴은 뺌(가장 점수 높은 얼굴은 남김). 창가 그림 배경 52% → 56%
치마 주름 · 옷깃 · 리본 · 달 표면의 점 두 개가 얼굴로 잡힘 눈 · 피부 규칙만으로는 비슷하게 보임 평균 얼굴 무늬와의 상관(3배) · 눈 속 반짝임(2배)을 점수에 넣고, 점수 상위 짝은 얼굴 무늬에 맞춰 눈 위치를 다듬은 뒤 다시 잼
처음 보는 그림에서 옷 · 소품 · 글자 · 과자의 가짜 얼굴이 “머리카락” · “피부” 이름을 붙이고 한 사람 그림을 두 폴더로 나눔(픽시브 AI 생성 그림, 0.21) 가짜 얼굴이 그림당 1개꼴이고, 이름 · 폴더는 점수가 높은 얼굴을 그대로 믿음 입이 보이는지, 눈 대비 · 아래 눈꺼풀이 지나치게 밝은지, 피부 자리가 흰 바탕인지로 점수를 조정한 얼굴을 이름 · 폴더에만 씀(4.5). 가짜 310 → 232개, 폴더 수가 맞는 그림 229 → 232장
흰 배경 위의 흰 셔츠 · 교복 · 치마가 그림 아래 끝까지 배경이 됨(픽시브 AI 생성 그림, 0.20) 단색 배경 채우기가 아래 테두리에서도 출발해, 아래 끝에 걸친 흰 옷으로 선 없는 경계를 타고 퍼짐 아래 테두리에서만 닿는 곳은 거의 한 색(기준색에서 벗어난 픽셀 5% 미만)일 때만 배경(4.5). 옷에는 명암 · 주름이 있고 바닥 · 여백은 한 색
얼굴은 남고 그 아래 흰 옷 · 치마 · 코트 아랫자락만 배경이 됨 삼켜진 캐릭터 되돌리기는 얼굴 자리가 배경일 때만 동작 멀쩡한 확실한 얼굴의 몸 자리에 든 배경 조각도 되돌리되, 색이 캐릭터보다 나머지 배경에 훨씬 흔한 조각($\bar \ell < -2$)은 남김(4.5)
흰 · 단색 배경 위의 흰 드레스 · 검은 머리카락 · 다리가 얼굴 기준 넓히기로 통째로 배경이 됨(픽시브 AI 생성 그림, 0.26) 앞 단계가 배경을 거의 다 찾아 더 찾을 것이 적은데, 색 모델이 배경과 같은 색의 캐릭터 부분을 배경 쪽으로 봄 이미 찾은 배경의 60% 이상이 중앙값 색에서 $\Delta E$ 10 안이면 넓히기를 하지 않음(4.5). 달라진 133장에서 나아짐 22장 · 나빠짐 5장, 캐릭터 무손실 87 → 104장(650장 중)
결이 있는 종이 · 잔 붓 자국 그림에서 캐릭터 가장자리 · 옅은 칠이 배경이 되고, 배경 판정이 0.1%만 바뀌어도 결과가 3%씩 흔들림 영역 나누기가 잘게 부서진 칠을 버리고 가까운 번호로 채울 때, 배경 번호가 캐릭터 안으로 번짐 배경에서 2.5px 넘게 떨어진 캐릭터 픽셀은 캐릭터 영역 번호로 채움(4.6)
큰 그림(긴 변 2048px)에서 배경이 머리카락 끝 · 옷자락 · 소매 · 물건 가장자리로 새어 들어감(0.29) 단색 배경 채우기와 장면 배경의 여백 넓히기는 이웃 픽셀 한 칸의 색 차(0.035, 0.03)로 멈추는데, 같은 경계도 큰 그림에서는 색 변화가 여러 픽셀에 나뉘어 한 칸의 차가 문턱 아래로 내려감 긴 변이 1200px보다 큰 그림은 두 문턱에 1200/긴 변을 곱함(4.5). 줄인 문턱으로 찾은 배경이 넓이 기준에 못 미치면 원래 문턱으로 다시 함. 고화질 115장 중 다시 판정한 80장에서 나아짐 33 · 나빠짐 7
흰 · 단색 배경에서 팔과 몸 사이 · 머리카락 가닥 사이 · 다리 사이로 보이는 배경이 캐릭터 층에 남음(0.31부터 늘어남) 사방이 윤곽선이라 배경 채우기가 닿지 못하고, 둘러싸인 곳이라 색 모델 · 얼굴 기준 넓히기도 가져가지 않음(0.31) 배경이 거의 한 색이면, 배경과 $\Delta E$ 5 안이고 둘레가 선 · 배경뿐인 조각을 배경으로 보냄(4.5). 그 배경 번호가 선을 타고 번지지 않게 되돌림(4.6). 바뀐 그림 50장 눈가림 판정에서 나음 17 · 나쁨 6
단색 배경 그림에서 선 없이 칠한 옷 · 다리 · 머리카락이 장면 배경으로 들어감(0.38) 장면 배경은 선이 드문 곳을 따라 채우는데, 단색 배경 가장자리의 경계가 약한 곳(옅은 그라데이션, 흐린 가장자리)으로 넘어가면 선 없는 칠 안까지 퍼짐. 0.37의 가장자리 막기는 선명한 색 경계만 막음 장면 배경 중 위 · 옆 테두리에 닿지 않는 섬(단색 배경을 거쳐서만 들어간 곳)이 캐릭터 쪽 큰 덩어리와 이어지거나 얼굴을 품으면 되돌림(4.5). 시험용 319장에서 큰 손실 없음 들어옴 11 · 빠짐 0

7.3 보정 도구

문제 원인 해결
탁자를 누르면 캐릭터 전체가 딸려 옴 선 없는 곳으로 무한히 번짐 붓 폭 띠 + 같은 파츠 안에서만
탁자와 맞닿은 치마가 딸려 옴 밝기가 같고 색상만 조금 다른($\Delta ab = 10.6$) 파츠를 “비슷한 색”으로 봄 밝기 차이는 넉넉히($\Delta E < 12$), 색상 차이는 좁게($\Delta ab < 9$)
의자 다리를 칠하면 스타킹이 딸려 옴 획 끝이 스타킹에 닿고, 스타킹과 의자 나무가 같은 파츠 획 끝 12px에서는 채우기를 시작하지 않고, 획 가운데가 10px 이상 지나간 채우기만 인정
선 위를 누르면 엉뚱한 쪽이 선택됨 선 양쪽이 서로 다른 부분 양쪽이 다르면 고르지 않고 안쪽을 누르도록 안내

7.4 파일 · 화면

문제 원인 해결
일부 PSD 파서에서 층 이름 뒤 정보가 어긋남 파스칼 이름의 4바이트 정렬을 잘못된 위치에서 계산 정렬 기준을 추가 정보 시작 위치로 고침
미리보기의 클리핑 합성이 포토샵과 다름(37.6 dB) 클리핑 층을 하나씩 잘라 그림 불투명 기본 층 위에 모두 섞고 기본 층 알파로 한 번만 자름
한글 층 이름이 깨짐 파스칼 이름은 ASCII luni 유니코드 이름을 함께 쓰고, 파스칼 이름에는 층 종류의 영문 이름
화면에서 배경을 못 찾은 불투명한 그림에 빈 “배경” 층과 [배경] · [캐릭터] 폴더가 생김(새 342장 중 배경 없는 10장) 화면은 칠한 곳이 없어도 보정 마스크를 넘기고, 코어는 마스크가 있으면 빈 배경 지도를 만듦. 코드로 직접 돌린 검증에는 마스크가 없어 드러나지 않음 칠한 픽셀이 있을 때만 배경 지도를 만듦(0.26). 다른 층의 픽셀은 그대로

7.5 시도했지만 채택하지 않은 방법

방법 결과
작은 그림을 2배로 키워 나눈 뒤 캐릭터 지도를 원래 크기로 줄이기 긴 변 900px 미만인 126장에서 Lanczos로 키우면 캐릭터 지도가 1% 넘게 바뀐 그림이 119장이었고, 다시 판정한 18장 중 나빠짐 10 · 나아짐 1(부호 검정 $p = 0.012$), 시간은 4.4배. 픽셀을 그대로 2배로 늘린 경우(보간 없음)도 12장 중 나빠짐 5 · 나아짐 1. 윤곽을 번지지 않게 키우는 DCCI(방향성 큐빅 보간: 원래 픽셀 사이를 대각선 · 가로 · 세로 중 변화가 작은 방향으로 $(-a + 9b + 9c - d)/16$ 보간, 두 방향의 변화 비가 1.15 안이면 $1/(1 + d^5)$로 섞음)로 키워도 27장 중 나빠짐 11 · 나아짐 2($p = 0.022$), 시간 3.5배였고, Lanczos와 함께 판정한 18장 중 17장은 판정이 같았음. DCCI는 절반으로 줄였다 되돌린 그림을 원본에 1~2 dB 더 가깝게 복원하므로(큐빅 스플라인 대비), 번진 윤곽이 원인은 아님. 원인은 픽셀 단위로 정한 값들이었음(10): 확대한 그림에서 찾은 선이 그림 넓이의 17.1% → 8.5%로 줄어 장면 배경 1단계 · 여백 넓히기와 단색 배경 채우기가 옷 · 머리카락 안으로 들어감. 40장에서 선 창 · 색 걸음 문턱 · 선명한 선 흐림을 확대 배율에 맞추면 원래 크기 결과와 어긋나는 픽셀이 124만 → 54만 개로 줄었음
작은 그림의 얼굴만 2배로 키워 찾기 얼굴이 바뀐 74장에서 새로 찾은 진짜 얼굴 18개 · 잃은 진짜 얼굴 12개(순 +6), 가짜 얼굴은 순 +37개. 가짜 얼굴이 이름 · 폴더를 틀리게 하므로 채택하지 않음
큰 그림(긴 변 2048px)을 절반으로 줄여 나눈 뒤 되돌리기 115장 중 102장에서 1% 넘게 바뀌었지만 다시 판정한 18장은 나아짐 2 · 나빠짐 2로 차이가 없고, 시간은 중앙값 18.0초 → 5.6초. 결과가 좋아지지는 않아 기본 처리 해상도는 그대로 두고, 빠르게 보고 싶으면 설정의 처리 해상도를 1024px로 고르면 됨
(0.28) 떨어진 조각 떼기를 “피부”에도 피부 이름이 붙은 그림 111장 중 48장에서 피부 조각을 뗐는데, 무작위로 본 12장에서 떼어 낸 조각은 대부분 진짜 손 · 팔 · 다리(얼굴과 옷으로 끊겨 있을 뿐)였음. 머리카락만 뗌
(0.28) 머리 자리와 이어진 머리카락만 남기기(가까운 조각 남기기 없이) 머리 자리를 1.5배로 넓혀도, 다시 판정한 61장 중 8장에서 팔 · 소매 · 리본에 가려 끊긴 긴 머리 · 트윈테일 · 드릴 머리의 이름이 빠짐. 가까운 조각을 남기게 바꿈
(0.28) 캐릭터 얼굴만 닻으로 바뀐 198장 중 15장에서 캐릭터 묶음에 들지 못한 둘째 인물 · 같은 인물의 두 번째 모습 · 떨어진 포니테일의 머리카락 이름이 빠짐(머리카락이 “대부분” 붙은 그림 94 → 87장, $p = 0.039$). 점수 11 이상인 얼굴도 닻으로 삼아 94 → 91장($p = 0.45$), 대신 틀린 이름이 없는 그림은 443 → 437장
배경 조각을 좁은 목(윤곽선 틈)에서 나눠 잘린 다리를 따로 판정 도시 야경 같은 배경까지 조각나 캐릭터로 되돌아감. 채택하지 않음
캐릭터 둘레의 거리별 경계 세기로 외곽 글로우 자동 검출 글로우가 있는 그림과 없는 그림의 차이가 뚜렷하지 않음. 테두리 띠의 형광색 비율로 바꿔 채택(4.5)
외곽 글로우를 “배경과 윤곽선 사이의 선 없는 띠의 폭”이나 “경계를 따라 길게 이어지는 색”으로 찾기 보통 그림(띠 54%)이 글로우 그림(29%, 18%)보다 높게 나오거나, 글로우 그림이 0%로 나옴. 구분되지 않음
외곽 글로우를 스크린 층으로(배경색 위에 밝아짐만) 초록 글로우가 분홍 배경 위에 있으면 배경보다 어두운 채널을 표현하지 못해 글로우가 배경 층에 남음. 불투명한 표준 층으로
유카타 그림의 무지개 테두리도 글로우로 배경을 19%만 찾아 경계가 테두리를 따라가지 않고, 찾은 “글로우”가 대부분 불꽃놀이 · 등롱 조각. 경계를 35% 이상 두를 때만 쓰도록 해 이 그림은 하지 않음
피부색으로 캐릭터 보호 나무 · 베이지 벽 · 쿠션도 피부색이라 그림에 따라 10~50%가 배경 픽셀. 채택하지 않음
배경 채우기 자체를 선명한 색 경계에서 멈추기 달 표면 · 정원 · 금빛 장식처럼 선명한 경계가 많은 배경이 통째로 캐릭터로 돌아감(한 그림은 배경 7% → 0%). 채우기는 그대로 두고 조각 단위로 판정
선 없이 캐릭터와 이어진 길이(매끄러운 맞닿음)로 판정 하늘 조각도 캐릭터 둘레의 여백과 매끄럽게 이어져 있어 구분되지 않음. 맞닿은 길이의 비율과 색으로 판정
선 감도도 그림에서 재기(선 진하기 상위 25% 값으로 문턱) 선이 옅은 그림에서 결 · 잔 자국까지 선이 되어, 배경 찾기가 쓰는 선 밀도가 올라감. 카페 실내 배경 41% → 32%, 세 장이 3~4%p 줄어듦. 기본값 유지
펜 굵기에 맞춰 선 검출 창을 늘 바꾸기(줄이기 포함) 보통 그림도 창이 1px씩 바뀌어 배경 · 파츠가 흔들림(카페 실내 배경 41% → 33%). 기본 창이 모자랄 때만 넓힘
밑색 병합 강도 · 그림자 기준을 분포의 골짜기(오츠)로 정하기 봉우리가 하나뿐인 분포라 거의 모든 그림이 범위 끝(병합 0.3, 그림자 0.2)으로 몰림. 합성 그림에서 나아진 것도 “옷깃과 흰자가 한 파츠로 합쳐짐”뿐. 기본값 유지
색이 많은 그림에서 색상 군집 수 · 최대 파츠 수 늘리기 파츠가 같은 색 이름(피부 1~12, 빨강 1~13)끼리 다르게 나뉠 뿐 더 나아지지 않고, 작은 파츠가 늘어난 그림도 있음. 기본값 유지
색상 군집 수를 단순한 그림에서 줄이기 10색이면 보라 머리가 두 파츠로 갈라지고, 12색이면 흰자와 옷깃이 합쳐짐. 14색은 기본과 같음. 기본값 유지
작은 밝은 점의 크기(화이트 탑햇 조각 반지름의 90% 값)로 반짝임 크기 정하기 큰 별을 그린 그림과 보통 그림의 값이 거의 같음(13.1 대 11.9, 눈 반짝임이 대부분). 큰 별이 잡힌 것은 문턱 근처의 우연이었고, 2048px 확대본은 오히려 800px 원본과 다르게 눈 반짝임이 반짝임 층으로 감. 기본값 유지
영역 둘레의 “선 비율”을 양방향 증거로 사용 캐릭터 안의 그림자 경계(선 없음)가 배경 쪽으로 밀려 결과가 크게 나빠짐. 캐릭터 쪽 증거로만 사용
색 분포만으로 캐릭터와 배경 가르기 정답 윤곽에서 배운 캐릭터 · 배경 색 분포를 그대로 써도, 같은 색이 양쪽에 있는 그림(빨간 리본과 단풍, 검은 모자와 그늘진 신사)에서는 영역의 76~86%만 맞음. 이웃끼리 묶어도(그래프 컷) 1~4%p만 오름
선 스타일(선 색 · 진하기 · 굵기)로 캐릭터 선과 배경 선 가르기 배경도 캐릭터와 같은 선으로 그린 그림에서는 “모두 캐릭터 선”이라고 할 때보다 1~7%p 나을 뿐. 배경 선이 형광색인 주방 그림에서만 뚜렷함
흐림(초점): 가는 척도와 굵은 척도 기울기의 비 캐릭터와 배경의 분포가 거의 같음. 가장 잘 가를 때도 다수결 수준
얼굴을 기준으로 한 위치를 규칙으로(얼굴 아래 몸통은 캐릭터, 머리 위는 배경) 머리 위의 모자 · 큰 머리 모양을 배경으로 봄. 위치 없이 색만으로 넓히면 단풍 그림에서 두 캐릭터의 절반이 배경이 됨. 확률로 두고 확실한 곳만 더하는 방식으로 바꿔 채택(4.5)
얼굴 기준 넓히기를 윤곽선 조건 없이(색과 자리만으로) 정답 윤곽 8장에서는 더 많이 찾지만(전체 정확도 +1.8%p), 다른 그림에서 마법소녀의 지팡이 · 치마 끝, 교실 소녀의 팔 · 치마가 배경이 됨. 선 없는 경계 조건을 붙여 채택
선명한 선이 촘촘한 곳은 얼굴 기준 넓히기에서 빼기 배경도 선으로 그린 그림에서 찾은 배경까지 사라져 얻는 것이 없어짐(8장 평균 +0.9%p → +0.1%p)
점수가 낮은 얼굴은 자리만 지키고 색 배우기에서 빼기(두 단계 문턱) 한 문턱보다 나빠짐(8장 평균 0.4~1.2%p 낮음)
얼굴 기준 넓히기에서 흐린 선(선명하지 않은 선)은 넘게 하기 캐릭터 윤곽이 흐린 그림에서 교실 소녀의 팔 · 치마, 은발 소녀 · 베레모 소녀의 머리카락, 마법소녀의 지팡이가 배경이 됨(교실 그림에서 10%)
머리 · 몸 자리에서 멀면 색 확신 문턱 낮추기, 자리 안이라도 색이 아주 분명하면 받기 8장 평균 +0.5%p이지만 금빛 무희의 반투명 소매 · 머리카락, 크레페 소녀가 든 크레페, 클로즈업 소녀의 구슬 장식, 전신 그림의 날개가 배경이 됨
선에 막혔어도 캐릭터 쪽 영역과 전혀 닿지 않는 조각(창틀 · 선반 같은 떨어진 물건)은 넘기 8장 평균 +0.3%p이지만, 책상에 가려 떨어져 보이는 교실 소녀의 치마(그림의 4.9%)와 베레모 소녀의 머리카락이 배경이 됨. 가려진 캐릭터 부분도 떨어진 조각처럼 보임
머리 · 몸 자리 크기와 색 확신 문턱 바꾸기 8장 평균 차이 ±0.3%p 안(자리 폭 1.0𝑑 · 머리 1.8𝑑, 문턱 0.7, 자리 확률 0.4 등)
픽셀의 절반 넘게 눈 둘레($\lvert u\rvert \le 1,\ -0.6 \le v \le 0.4$)에 있는 파츠를 머리카락 후보에서 빼기 흰자 그림자는 빠지지만, 눈 가까이 늘어진 진짜 앞머리(베레모 · 두 사람 전신 · 미쿠 그림)도 빠짐. 넓이 조건으로 바꿈
앞머리 칸에서 머리카락을 못 고르면 늘 그 위 칸에서 고르기 미쿠 흉상은 맞게 찾지만, 앞머리가 세 색으로 나뉜 두 사람 전신 그림에서 모자를 “머리카락”으로 부름. 이마가 드러났을 때만
가짜 얼굴도 낮은 무게로 표를 주기(0.17까지) 캐릭터 얼굴만 쓸 때보다 이름이 7개 더 붙는데, 그중 6개가 틀림(옷 · 리본 · 귀 장식 · 스타킹). 맞는 것은 창가 그림의 다리 피부 하나
선 양쪽 색이 같으면 어느 그림에서나 그 선을 열린 경계로 합성 붓 결 그림에서는 좋지만, AI 생성 그림에서 옅은 피부와 옅은 머리카락 · 흰 옷, 목 · 셔츠 · 넥타이가 한 파츠가 됨(선이 유일한 경계). 그림의 선 대부분이 결일 때만으로
선 양쪽 색 비교에 흰색 · 회색도 넣기 여러 재질의 그림자가 같은 회색이 되어 셔츠 · 피부 그림자 · 넥타이가 이어짐. 채도 12 이상인 색만
“색이 확연히 다른 경계 중 선이 있는 비율”로 선화 그림과 붓 그림 가르기 합성 붓 결 그림 45~59%, AI 생성 그림 44~83%로 겹침. 선 양쪽 색이 같은 선의 비율(합성 86~88%, AI 생성 4~31%)로 가름
한쪽만 무채색일 때 “색상이 같고 밝기만 다르면” 밝은 쪽도 인정 손의 회색 그림자(밝기 66)가 짙은 빨강 재킷(밝기 24)의 밝은 면이 되어 재킷과 손이 한 파츠. 밝은 쪽은 밝기 70 넘는 하이라이트만
채도가 빠진 그림자를 어둡기 제한 없이 검은 장갑 · 머리카락 조각이 짙은 초록 재킷과 한 재질이 되어 재킷 밑색이 밝은 회녹색으로 바뀜. 밝기 30 이상만
얼굴 찾기를 좌우 대칭으로(평균 얼굴 무늬를 좌우 평균, 눈 위치 다듬기를 왼눈 먼저 · 오른눈 먼저 두 번 해서 나은 쪽) 뒤집어도 점수가 정확히 같고(차이 최대 1.24 → 0), 원본 · 뒤집은 그림의 얼굴 62개 중 60개를 찾음(전 59개). 그러나 캐릭터 얼굴 고르기가 48번 중 40번만 맞고(전 42번), AI 생성 그림의 이름이 나빠짐(치파오 · 고스로리 그림의 머리카락, 클로즈업의 피부, 금빛 무희의 머리카락 · 피부 이름이 대부분 빠지고, 어두운 배경의 소녀는 머리카락 이름이 다른 곳으로), 창가 그림의 캐릭터 폴더가 89% → 61%. 평균 무늬가 이 그림들의 얼굴로 만든 것이라 원래 방향에 맞춰져 있음. 뒤집은 그림만 보면 둘이 같음(24번 중 20번)
얼굴 무늬 상관을 무늬와 좌우 뒤집은 무늬 중 큰 값으로 대칭이 되지만 가짜 얼굴이 49 → 58개로 늘고, 체크 셔츠 그림에서 얼굴 아래의 큰 가짜 틀(점수 14.0)이 진짜 얼굴을 가려 놓침
색 군집(k-평균)을 픽셀 표본 대신 Lab 색 칸 히스토그램으로(픽셀 순서와 상관없게) 합성 이름 그림에서 머리카락이 색이 거의 같은 두 파츠로 갈려 머리카락 재현율 84.8% → 65.4%. 좌우 뒤집기의 이름 겹침은 거의 그대로(배경 채우기 · 재질 묶기 · 파츠 정리도 픽셀 순서로 욕심껏 합침)
캐릭터 나누기 씨앗 자리를 좁히거나 넓히기(머리 타원 0.7~1배, 몸 기둥 폭 0.8~1.2𝑑, 넓어지는 정도 0.1~0.35) AI 생성 두 사람 그림 4장 93.6~93.8%, 합성 두 사람 이상 그림 10장 98.6~98.8%로 차이 없음. 틀리는 곳은 두 캐릭터가 맞닿은 이음매(머리카락 한 가닥 폭)로, 씨앗이 아니라 퍼지는 길의 선 세기 문제
캐릭터 얼굴 고르기의 높이 조건(서로의 얼굴 틀에서 세로 3𝑑 안)을 늘리거나(5𝑑), 두 얼굴 틀의 평균 방향으로 재거나, 없애기. 점수 문턱을 11.5에서 11로 0.20의 얼굴로는 픽시브 AI 생성 그림 300장(11)에서 단체 그림은 1~3장 더 맞지만, 한 사람 그림이 가짜 얼굴로 둘 이상으로 나뉘는 일이 13장에서 17~32장으로 늘어남. 0.22에서 가짜 얼굴을 줄인 뒤 4𝑑로 늘리는 것은 채택(0.24)
(0.24) 높이 조건 5𝑑 · 없애기, 캐릭터 얼굴 점수 문턱 11 · 11.25 · 12 · 12.5, 크기 비 0.4~2.5 4𝑑보다 폴더 수가 맞는 그림이 모두 적거나 같음(5𝑑는 단체 그림 +1장 · 한 사람 그림 −2장, 문턱 12.5는 한 사람 그림 +6장 · 단체 그림 −6장)
(0.24) 아주 작은 얼굴도 찾게 두 눈 사이 최소 거리 16 → 14 · 12px(긴 변 800px 기준) 찾는 진짜 얼굴은 늘지 않고(200 → 199 · 198개) 가짜만 늘어남(458 → 493 · 523개, 문턱 11 · 얼굴다움 거르기 전)
(0.24) 옅은 피부를 넓이 조건 없이 인정 29장에 이름이 새로 붙었지만 8장은 흰 옷 · 흰 머리 캐릭터 전체 · 만화 칸 · 유리 상자까지 “피부”가 됨
단색 배경을 아래 테두리에서는 아예 채우지 않기 픽시브 AI 생성 그림 45장이 바뀌어 25장이 나아졌지만 13장이 나빠짐(아래 끝의 흰 바닥 · 여백 · 무늬 배경이 캐릭터 쪽에 남음). 아래 테두리에서만 닿는 곳을 색이 거의 한 색일 때 배경으로 두는 것으로 채택
아래 테두리에서만 닿는 곳을 되돌릴 때 선 밀도나 얼굴 자리로 거르기 선 밀도(0.4 이상)는 흑백 풍경 한 장만 거르고 물 반사 · 마스코트 무늬는 못 거름. 얼굴 자리로 거르면 가장 크게 나아진 두 장(눈 감은 소녀의 흰 셔츠, 두 사람의 검은 옷 · 다리)이 확실한 얼굴이 없어 빠짐
몸 자리 조각을 색 조건 없이 되돌리기 치마와 소매 사이로 보이는 배경 구멍이 캐릭터가 됨(윤곽을 그린 8장의 찾은 배경이 픽셀 합계로 56.79 → 56.26%), 캐릭터 옆 검은 글자 칸도. 색 로그 우도비 −2 이상으로 채택
배경 번호 번짐을 배경과 맞닿은 테두리까지 고치기 픽시브 AI 생성 그림 205장이 바뀌었는데 대부분 1~2px 가장자리였고, 윤곽을 그린 8장의 픽셀 합계로 찾은 배경 56.79 → 56.66%, 지킨 캐릭터 96.03 → 96.06%. 2.5px 안쪽은 두는 것으로 채택
얼굴 점수 조정(입 · 눈 대비 · 눈꺼풀 · 흰 피부)을 배경 판정의 얼굴에도 쓰기 픽시브 AI 생성 그림 300장에서 찾은 진짜 얼굴 193 → 199개, 가짜 310 → 249개였지만 86장의 배경이 바뀌었고, 0.5% 넘게 바뀐 56장 중 27장을 보니 나아진 것 4장 · 나빠진 것 11장. 가짜 얼굴이 사라지면 얼굴 기준 넓히기가 꺼져 사람 없는 방 그림의 커튼이 캐릭터 쪽에 남거나, 가짜 얼굴이 지키던 다리 · 머리카락이 배경으로 감. 이름 · 캐릭터 폴더에만 씀(4.5)
이름용 얼굴을 고를 때 조정 점수 상위 40개 짝도 위치를 다듬기 진짜 얼굴 196 → 202개로 늘지만 가짜도 232 → 258개. 단풍 그림의 마녀 얼굴이 옆으로 비껴 다듬어진 짝(점수 12.2)에 밀려 제자리 얼굴(12.0)이 빠짐
얼굴 무늬를 처음 보는 그림의 얼굴로 다시 만들기 절반의 그림으로 만든 무늬를 나머지 절반에 쓰면 같은 가짜 수에서 찾는 얼굴이 원래 무늬보다 적음(시험 그림 무늬와 상관 0.93)
얼굴 자리를 믿고, 장면 배경이 가져간 머리 · 몸 자리의 색 영역 중 색이 캐릭터 쪽인 것을 되돌리기(캐릭터 색은 자리 안에 남은 캐릭터, 배경 색은 자리 밖 배경) 픽시브 AI 생성 그림 75장이 바뀌었는데 크게 바뀐 47장 중 18장을 보니 나아진 것 1장, 나빠진 것 15장. 되돌아온 것은 대부분 캐릭터 뒤에 겹친 배경 물건(난간, 꽃덤불, 파도, 물, 바닥)이었음. 캐릭터 뒤의 배경은 자리 밖 배경에 없는 색이 많아 색으로 가를 수 없음
배경을 못 찾은 불투명한 그림에서는 얼굴을 찾지 않기(0.18처럼) 픽시브 AI 생성 그림 300장 중 해당하는 5장에서 가짜 얼굴로 캐릭터가 나뉜 그림이 1장 생겼지만, 틀린 “피부” 색 이름이 빠지고 머리카락 이름이 새로 맞게 붙은 그림도 1장. 투명 배경 그림에서의 이득(11)을 위해 얼굴은 늘 찾음
(0.25) 캐릭터 얼굴의 볼 · 콧등 칸을 차지한 색 영역과 앞머리 칸을 차지한 색 영역(색 차 $\Delta E$ 6 이상)을 재질 묶기 · 파츠 정리에서 한 덩어리로 합치지 않기 머리카락 이름이 없는 얼굴의 절반 가까이가 피부 파츠가 앞머리까지 덮은 경우라 시도. 픽시브 AI 생성 그림 28장이 바뀌어 머리카락 · 피부 이름이 붙은 그림은 늘었지만, 하나씩 보니 나아진 것 5장 · 나빠진 것 10장. 떼어 낸 머리카락이 같은 색의 통나무 · 등롱 · 나뭇잎과 묶여 “머리카락”이 되거나, 얼굴 · 모자 · 식탁보에 이름이 붙음. 재질 묶기는 욕심껏 합치므로 한 쌍을 막으면 뒤의 합치기가 줄줄이 바뀌고, 배경 판정이 같아도 톤이 달라져 9장의 캐릭터 · 배경 경계가 조금씩 바뀜
(0.25) 위의 떼어 두기를 파츠 정리 단계에서만 하기 캐릭터 · 배경 지도는 그대로이고 21장의 이름만 바뀌었지만 나아진 것 6장(창백한 피부 + 옅은 머리의 머리카락 · 피부 · 눈, 초록 머리) · 나빠진 것 6장(통나무 · 나무 · 식탁보 · 모자 챙)
(0.26) 얼굴 기준 넓히기(3.5의 9)가 배경에 더하는 조각 중 캐릭터 조각만 통계로 걸러 내기 얼굴 단계가 나쁘게 하거나 섞인 그림 91장에서 더한 조각(그림의 0.1% 이상) 398개를 하나씩 보니 배경 131 · 캐릭터 191 · 애매 76개. 단서 19개(색 로그 우도비, 얼굴 자리 확률, 선명한 경계 비율, 배경 · 캐릭터와 맞닿은 길이와 그 선 비율, 얼굴까지 거리, 넓이, 둘레 캐릭터 · 배경과의 색 차, 머리색과의 색 차, 안쪽 선명도와 그 비, 경계의 어두운 선, 색 흩어짐, 밝기)의 구분력은 AUC 0.41~0.63(0.5가 우연)이고, 서로 겹치지 않는 11개를 합친 로지스틱 회귀를 그림 단위 10겹 교차 검증하면 AUC 0.51(가장 좋던 0.63도 여럿 중 우연히 높았던 값). 캐릭터 조각 절반을 거르려면 배경 조각 48%도 함께 걸려, 거르는 만큼 배경을 잃음. 흰 드레스와 흰 벽, 검은 머리와 어두운 배경은 색 · 선 · 위치 단서로 같은 값이라, 식을 더해도 가를 정보가 없음
그림자 면 합치기에 밝기 차 상한만 두기 지금 그림자로 합치는 작은 면(60~330픽셀, 창가 · 카페 실내 · 단풍 · 벤치 · 야경 그림) 중에도 밝기 차 35~44인 것이 있어 함께 막힘. 밝은 면과 크기가 견줄 만한 넓은 면만 막도록 넓이(그림의 1%)와 함께 봄
(0.29) 크기에 민감한 세 값(선 검출 창 · 색 걸음 문턱 · 선명한 선 흐림)을 모든 크기에서 긴 변 1200px 기준 비율로 선 검출 창은 $\max(1, \mathrm{round}(4s))$(바닥 3을 없앰)로 하고 펜 굵기는 긴 변 1200px로 맞춘 밝기에서 재어 되돌리고, 색 걸음 문턱은 $\times 1200/\text{긴 변}$, 선명한 선 흐림은 $\sigma = 1.5 \times \text{긴 변}/1200$. 1200px 그림 24장은 그대로였고, 크기가 다른 283장 중 275장이 바뀌어 0.2% 넘게 바뀐 248장을 다시 판정하니 나아짐 61 · 나빠짐 77. 긴 변 900px 미만 그림은 나아짐 19 · 나빠짐 57($p < 0.0001$), 큰 손실 없음 57 → 38장($p = 0.0005$)으로 나빠져, 전체 큰 손실 없음이 384 → 367장(나아짐 12 · 나빠짐 29, $p = 0.012$)으로 줄어듦(10)
(0.29) 1200px보다 작은 그림에서 세 값을 하나씩 비율로 168장에서 선 검출 창만 바꾸면 78장이 5% 넘게 바뀌고 위 행의 차이 픽셀의 61%를 만듦(그 차이의 70% 넘게를 창이 만든 그림은 나아짐 10 · 나빠짐 37). 창이 3~5px에서 2px로 줄어 찾는 선이 줄고, 캐릭터 안의 선 밀도가 낮아져 장면 배경이 옷 · 머리카락으로 들어감(DCCI 확대와 같은 원인). 색 걸음 문턱만(작은 그림에서는 커짐) 23%(나아짐 1 · 나빠짐 6), 선명한 선 흐림만 24%(나아짐 4 · 나빠짐 6)
(0.29) 큰 그림의 선명한 선 흐림도 비율로(𝜎 1.5 → 2.6) 차이의 70% 넘게를 흐림이 만든 16장에서 나아짐 7 · 나빠짐 3 · 비슷 6($p = 0.34$)으로 근거가 약해 두었음
(0.29) 큰 그림의 펜 굵기를 긴 변 1200px로 줄인 밝기에서 재기 선 검출 창이 바뀐 4장 중 2장이 나빠짐(창 10 → 8인 그림은 배경을 하나도 못 찾고, 8 → 12인 그림은 찾은 배경이 70% → 14%)
(0.29) 큰 그림의 색 걸음 문턱을 되돌리기 없이 줄이기 배경을 찾던 2장이 배경을 하나도 못 찾게 됨(줄인 문턱으로 퍼진 배경이 넓이 기준 3% · 5%에 못 미침). 되돌리기를 넣어 두 그림은 0.28과 같아짐
(0.29) 작은 그림에서 세 값을 비율로 바꾸고 선 밀도 기준도 크기에 맞추기 1200px 그림 60장을 긴 변 540px로 줄인 사본에서, 원래 크기 결과의 장면 배경 후보를 가장 잘 재현하는 값을 찾아 (선명한 선 밀도 곱수 0.25 → 0.15, 흐린 선 밀도 문턱 0.085 → 0.06, 색 모델의 선명한 선 밀도 곱수 0.25 → 0.15 · 캐릭터 핵심 3 → 4, 1200px에서 540px 사이는 거듭제곱으로 이음) 1200px보다 작은 그림 168장에 돌림. 0.29와 나란히 다시 판정하니 나음 26 · 나쁨 60($p = 0.0003$), 큰 손실 없음 84 → 69장(들어옴 6 · 나감 21, $p = 0.006$). 선 밀도를 맞추지 않은 판(84 → 63장)보다는 조금 낫지만 0.29보다 나쁨. 줄인 사본에서 원래 크기 결과와 어긋난 배경 픽셀도 지금의 픽셀 단위 값 9.0%가 가장 적고, 선 검출 창만 비율 10.4% · 색 걸음 문턱만 9.9% · 선명한 선 흐림만 10.3% · 셋 모두 11.4% · 셋 모두 + 선 밀도 11.6%로 모두 더 어긋남
(0.29) 1200px보다 작은 그림을 DCCI로 키워 긴 변 1200px(규칙을 맞춘 크기)에서 나눈 뒤 되돌리기 2배씩 키워 1200px을 넘긴 뒤(540px 그림은 두 번) Lanczos로 1200px에 맞추고, 캐릭터 · 이름 지도는 번호별 면적 비율이 가장 큰 번호로 되돌림. 168장 중 165장이 0.2% 넘게 바뀌었고, 0.29와 나란히 다시 판정하니 나음 42 · 나쁨 52 · 비슷 63($p = 0.35$), 큰 손실 없음 84 → 82장(들어옴 15 · 나감 17), 캐릭터 무손실 20 → 27장(11 · 4, $p = 0.12$), 완벽 분리 7 → 4장. 540px 그림은 나음 32 · 나쁨 44(큰 손실 없음 57 → 51장), 900~1200px 그림은 나음 10 · 나쁨 8(27 → 31장)로 어느 쪽도 뚜렷하지 않음. 키우면 흐린 가장자리를 캐릭터로 더 남기는 대신 선 없는 옷 · 머리카락을 배경으로 보내는 그림도 늘어 서로 상쇄됨. 900px 미만 1장 처리 시간 2.6초 → 7.9초
(0.29) 긴 변 900~1200px 그림만 DCCI로 키워 1200px에서 나누기 AI 생성 900~1200px 그림 42장과, 표본을 늘리려 1200px 그림 90장을 900~1199px로 줄인 사본(88장이 바뀜)을 원래 크기 결과와 나란히 놓되 어느 쪽이 키운 결과인지 모르게(좌우 무작위) 다시 판정함. 키움이 나음 23 · 원래 크기가 나음 33 · 비슷 74($p = 0.23$), 큰 손실 없음 84 → 80장(들어옴 6 · 나감 10, $p = 0.45$), 캐릭터 무손실 26 → 27장. AI 생성 그림만 보면 키움이 나음 7 · 원래 크기가 나음 14. 줄인 사본에서 1200px 원본 결과와 어긋난 픽셀도 원래 크기 5.20% · 키움 5.45%로 차이가 없음. 나누는 시간만 8.4초 → 10.3초(DCCI 시간 제외)
(0.29) 1200px보다 큰 그림을 긴 변 1200px로 줄여(Lanczos) 나눈 뒤 되돌리기 고화질 115장 중 114장이 바뀌어, 0.29(원래 크기)와 좌우 무작위로 놓고 어느 쪽이 줄인 결과인지 모르게 다시 판정함. 줄임이 나음 25 · 원래 크기가 나음 29 · 비슷 60($p = 0.68$), 큰 손실 없음 65 → 57장(들어옴 5 · 나감 13, $p = 0.10$), 배경을 못 찾음 1 → 4장. 나누는 시간은 17.4초 → 9.1초로 절반이 되지만 결과가 나아지지 않아 기본으로는 두지 않고, 0.30에서 설정(“전부 줄여서 나누기”)으로 넣음
(0.30) 큰 그림의 배경 · 얼굴만 1200px로 줄여 찾고 층은 원래 크기로 고화질 115장 중 114장이 바뀌어 원래 크기와 눈가림 판정: 줄임이 나음 14 · 원래 크기가 나음 51 · 비슷 49($p < 0.0001$), 큰 손실 없음 66 → 58장. 줄인 지도를 키우면 경계가 원래 크기의 선 · 색 경계와 어긋나고, 뒤 단계(배경 위 조각 · 선 정리)가 그 어긋남을 넓힘. 배경 단계는 전체 시간의 약 1/3이라 17.4초 → 16.6초로 5%만 빨라짐. 설정으로만 두고 권하지 않음(11)
(0.31) 둘러싸인 곳을 장면 배경 1단계에서만 빼기 선 밀도가 낮은 곳을 채우는 1단계만 막으면, 선 없는 흰 옷 · 치마는 그다음 여백 넓히기(색이 매끄럽게 이어지는 곳으로 넓힘)가 그대로 가져감. 1단계 · 색 모델 · 얼굴 기준 넓히기를 막은 판이 0.30과 눈가림 45장에서 나음 22 · 나쁨 11이었고, 여백 넓히기까지 막은 판(채택)이 그 판보다 눈가림 26장에서 나음 18 · 나쁨 3
(0.31) 둘러싸인 곳의 문턱 0.8(16방향 중 13방향) 0.9(15방향)와 바뀐 그림 361장 중 무작위 20장을 눈가림 판정: 나음 8 · 나쁨 8 · 비슷 4로 차이가 없고, 한 장은 배경을 하나도 못 찾게 됨(찾은 장면 배경이 넓이 5%에 못 미침)
(0.31) 둘러싸인 정도를 잴 때 아래 테두리도 벽으로 보기(화면 아래에서 잘린 캐릭터) 0.9 판과 바뀐 그림 167장 중 무작위 12장을 눈가림 판정: 나음 6 · 나쁨 5 · 비슷 1로 차이가 없음. 잘린 치마 · 다리가 남는 만큼 아래쪽 바닥 · 풀밭도 캐릭터 쪽에 남음
(0.32) 둘러싸임 없이 다시 찾은 그림에서는 색 모델 · 얼굴 기준 넓히기도 둘러싸임 없이 둘러싸임을 뺀 장면 배경이 모자란 그림에서만 달라져, 666장 중 5장이 바뀜(한 장은 배경이 8.8% → 14.7%). 캐릭터 옷 조각을 더 가져가는 그림도 있어, 색 모델 · 얼굴 기준 넓히기는 그대로 둘러싸인 곳을 막음
(0.33) 0.31에서 나빠진 그림만 골라 둘러싸임 보호를 풀기 0.31 눈가림 판정에서 0.30이 나았던 그림과 0.31이 나았던 그림(0.30만 배경으로 본 곳이 그림의 1% 넘는 89장 · 243장)을 13가지 값(둘러싸인 곳의 비율, 선 비율, 보호된 곳 중 둘러싸인 비율 · 얼굴 자리 밖 비율, 테두리 띠의 둘러싸임, 단색 배경 넓이 등)으로 견주니 가르는 힘이 AUC 0.34~0.61(0.5가 우연)이었음. 보호된 곳의 90%가 둘러싸인 곳인 것도 두 쪽이 같음(중앙값 0.905 · 0.896). 긴 선 조각(긴 변의 3% · 8% 이상)만 벽으로 쳐도 두 쪽에서 보호가 같이 줄어(3%에서 0.70 · 0.71) 그림마다 가를 수 없음
(0.33) 틈을 느슨하게(조각 합 제한 없음, 조각 그림의 5%까지) 666장 중 161장에서 0.05% 넘게 바뀌어 하나씩 보니 틈만 정확히 뺌 85 · 캐릭터를 눈에 띄게 잃음 20 · 섞임 15 · 거의 없음 41. 잃은 쪽은 흰 칠 흑백 선화, 흰 스타킹 · 흰 리본 · 흰 옷 조각(합이 캐릭터 칠의 5~30%)이라, 합 5% · 조각 2%로 막아 잃음 10 · 정확 74로 줄임(4.5)
(0.33) 틈에서 번진 번호를 틈이 아닌 배경 쪽까지 되돌리기 시험 3장에서 캐릭터 층이 4~12% 늘었는데 대부분 배경 그림의 선 · 무늬가 캐릭터로 온 것이라, 가장 가까운 배경이 틈인 곳만 되돌림(4.6)
(0.34) 선 위에 칠한 빛 · 반짝임을 선화 위 층으로 선 픽셀 중 둘레 칠보다 밝고 채도가 높은 곳을 선 위의 빛으로 봤더니, 합성 그림(선 위에 빛을 그은 그림)에서는 맞지만 666장 중 574장에서 무언가를 찾음. 대부분 색 트레이스(선을 칠 색으로 물들인 것)였음. 색 트레이스와 “검은 선 + 스크린 빛”은 한 픽셀의 색만으로 구별되지 않고, 이웃 선과 이어진 정도를 조건으로 넣으면 합성 그림의 이득도 사라짐
(0.34) 윤곽선 밖으로 번진 옅은 글로우 캐릭터에서 먼 배경을 안쪽으로 메워(인페인팅) 배경의 제 색을 짐작하고, 윤곽선 둘레가 제 색보다 한 가지 색으로 짙게 물들어 있고 선에서 멀어질수록 옅어지면 글로우로 봄(색상이 한쪽으로 모임 0.7 이상, 선 가까이 · 멀리 차이의 비 1.5 이상, 가장자리가 둘레와 부드럽게 이어짐, 경계의 35% 이상을 3px 안에서 두름). 합성 글로우 재현이 6.8% → 27.0%(정밀 100%)였지만, 666장에서 새로 글로우를 찾은 24장이 모두 가짜였음(노란 단색 배경의 캐릭터 둘레 띠, 물속 장면 조각, 가장자리 줄). 먼 배경에서 메운 색이 가까운 배경의 실제 색과 다른 그림(그라데이션 · 조명)이 많음
(0.34) 몸통 칸의 파츠를 “옷”으로 얼굴 틀의 몸통 칸($\lvert u\rvert \le 0.8,\ 2 \le v \le 3.5$)이 절반 넘게 칠해져 있을 때 칸에서 가장 넓은 파츠(피부 · 머리카락 제외)를 “옷”이라 부름. 이름이 붙은 62장을 모두 보니 옷에만 붙음 33 · 섞임 12 · 대부분 옷이 아님 17(머리카락 가닥, 캐릭터 층에 남은 바닥 · 커튼, 얼굴을 잘못 잡은 틀). 몸 기둥 안 비율 · 눈 위 비율 · 그 얼굴에서 피부와 머리카락을 모두 찾았는지로 걸러도 틀린 것이 44장 중 9장 남고 맞는 것 4장을 잃음. 무엇이 옷인지는 색과 자리로 가를 수 없음
(0.34) 러프의 작은 점 자국 지우기(다른 획과 이어지지 않은 $(6s)^2$ 미만 조각) 12장(무작위 10장 + 시험 그림 2장)에서 지워진 것이 한 장에 0~67픽셀뿐이었음. 레이스 · 무늬 둘레에 남는 자국은 대부분 100픽셀 넘는 짧은 획이라 작은 조각 지우기로는 줄지 않음
(0.34) 좌우 합의 얼굴을 배경 판정에도 가짜 얼굴이 지키던 캐릭터 부분(다리, 머리카락)을 배경이 가져가, 캐릭터 지도가 바뀐 그림에서 큰 손실이 4장 늘어남. 이름 · 폴더에만 씀(4.5의 10)
(0.34) 색 군집 표본을 픽셀 자리 대신 색 순서로 뽑고, 재질 묶기 순서도 영역 번호 대신 경계 길이 · 넓이로(좌우 뒤집어도 같은 파츠가 나오게) 모든 색 군집에 쓰면 AI 생성 그림 25장의 좌우 이름 겹침이 머리카락 47 → 57% · 피부 53 → 65%로 오르지만 눈 59 → 35%로 떨어지고, 배경 단계의 색 모델까지 바뀌어 캐릭터 지도가 절반 넘는 그림에서 달라짐(표본이 달라진 효과이지 나아진 것이 아님). 파츠 · 톤 군집에만 쓰면 머리카락 40% · 피부 50% · 눈 48%로 오히려 낮아짐
(0.34) 옅은 경계($\Delta E \ge 5$)로 나눈 3차 되돌리기를 캐릭터와 맞닿은 조각만 3차 되돌리기가 바꾼 11장 중 옛 판이 나았던 3장의 배경 얼룩은 일부 빠지지만, 합성 어두운 배경 6장의 지킨 캐릭터가 100% → 90.1%로 돌아감(검은 머리카락 조각은 배경 쪽 얼룩과 모양이 같음). 머리 자리로만 좁혀도 같음
(0.34) 좁은 틈 막기를 어두운 한 색 배경 · 모든 배경에도 밤 장면 · 어두운 배경 3장에서 배경의 물건 · 어둠 조각이 캐릭터 쪽으로 돌아옴(그림의 2.7~10.3%). 장면 · 무늬 배경은 한 걸음 색 차가 벽이 되어 채우기가 여기저기 끊김. 밝고 거의 한 색인 배경에서만 함(4.5)
(0.34) 좁은 틈 막기의 벽을 선만으로(색이 확 바뀌는 경계는 빼고) 흰 배경 위 흰 옷 · 옅은 머리의 큰 손실 17장 중 3장만 바뀜. 옅은 윤곽선은 선으로 잡히지 않고 색 경계로만 남는 곳이 많음
(0.34) 좁은 틈 막기로 캐릭터가 된 조각 중 배경과 같은 색의 평평한 조각($\Delta E$ 3 안이 90% 이상)은 다시 배경으로 눈가림 판정에서 새 판이 나았던 63장과 옛 판이 나았던 48장의 그런 조각 넓이가 그림의 0.52% · 0.45%로 같아 가를 수 없음
(0.34) 캐릭터 폴더의 높이 조건(서로의 얼굴 틀에서 세로 4𝑑 안)을 5𝑑 · 6𝑑 · 없애기, 점수 문턱 11.5 → 11 좌우 합의 얼굴로 436장을 모의하니 여러 사람 그림에서 폴더가 둘 이상인 그림은 31 → 32~44장으로 늘지만 한 사람 그림이 둘로 나뉘는 일도 6 → 7~21장으로 늘어, 나아지는 만큼 나빠짐
(0.37) 아래 방향을 60° 넘게 기울었을 때만, 가장 가까운 한 변만 “아래”로 45°에서는 두 변이 아래로 잡혀 장면 배경이 덜 퍼지는 것을 풀려 했으나, 결과가 바뀐 눈가림 사례 17장에서 나음 6 · 나쁨 8 · 같음 3($p = 0.79$). 돌린 캔버스 45°는 나음 4 · 나쁨 1이었지만 설정 “기울어진 그림”의 45 · 60°는 나음 1 · 나쁨 6
(0.37) 검은 옷 막기를 3px 깎은 단색 배경에서 7걸음 안 모두로 넓히기 어두운 배경의 합성 그림에서 머리카락이 새던 것(10)은 막았지만, AI 생성 그림에서 바뀐 27장을 눈가림으로 보니 나음 14 · 나쁨 7 · 같음 6($p = 0.19$). 같은 27장에서 채택한 방식은 나음 21 · 나쁨 3이었고, 5장이 “채택 방식이 나음”에서 “0.36이 나음”으로 뒤집힘
(0.37) 검은 옷 막기의 색 비교를 선 아래를 메운 𝑈 대신 원본 색으로 어두운 배경 합성 그림 4장의 새는 넓이가 그대로(새는 입구가 선 픽셀이 아니라 그림자 쪽)
(0.38) 장면 배경 속 섬을 조건 없이 모두 되돌리기 개발용 323장 중 바뀐 137장을 눈가림으로 보니 되돌리기가 나음 66 · 0.37이 나음 28 · 같음 43($p = 0.0001$). 나빠진 28장은 캐릭터에서 떨어져 떠 있는 글자 · 물보라 · 문양 · 반짝이가 캐릭터로 돌아온 경우와, 캐릭터에 붙은 배경 도형(테두리 안의 판 · 원 · 줄무늬 · 바닥)이 돌아온 경우였음. 떠 있는 것은 섬이 든 캐릭터 덩어리가 가장 큰 덩어리의 4% 이하여서, 4분의 1 이상이거나 얼굴을 품을 때만 되돌리게 바꿈(바뀐 60장에서 바꾼 판이 나음 47 · 나쁨 9 · 같음 4, $p < 0.0001$)
(0.38) 섬 고르기에 “섬 둘레 중 단색 배경 비율”이나 “섬과 맞닿은 단색 배경의 색 차”를 더하기 붙은 배경 도형까지 걸러 보려 했으나, 시험용 319장에서 0.37이 나은 52장과 0.38이 나은 55장의 중앙값이 둘레 비율 0.51 · 0.51, 색 차(채널 최대) 0.058 · 0.060으로 같아 가를 수 없음
(0.39) 작은 조각을 합칠 때 색이 가까운($\Delta E < 12$) 이웃 · 큰 파츠를 먼저 고르기 정답 그림의 밑색 분해능은 1.17배로 올랐지만(흰자 · 옷깃이 흰색 파츠로) 픽시브 AI 생성 개발용 36장 눈가림에서 그대로 둔 쪽이 나음 5 · 고른 쪽이 나음 2 · 같음 29($p = 0.45$). 정답 그림의 이득이 AI 생성 그림으로 이어지지 않음
(0.39) 빛을 받은 쪽 밑색 고르기를 흰색 · 회색 재질에도 개발용 그림에서 흰 옷과 한 재질로 묶인 회색 옷 · 회색 머리카락의 밑색이 거의 흰색이 되는 것이 보여 색 있는 재질에만 씀(이 방식은 눈가림 판정을 하지 않음)
(0.46) 러프 2를 곧은 마디로만 긋기(꺾이는 꼭짓점마다 끊은 다각형) 미리보기에서 사람이 그은 러프보다 기계로 깎은 다각형처럼 보여, 크게 꺾이는 모서리에서만 끊고 그 사이를 완만한 곡선으로 바꿈
(0.46) 러프 2의 안쪽 선을 색 경계로(밑에 선화가 있는 것만) 처음 보는 40장 눈가림에서 복잡한 그림의 안쪽이 세포 그물 같은 다각형 망이 된다는 메모가 이어져, 안쪽 선을 선화의 긴 선으로 바꿈(그 뒤 다시 본 40장에서 바꾼 쪽이 형태 21 : 10, $p = 0.071$)
(0.46) 안쪽 색 경계의 총길이를 실루엣 길이의 몇 배까지로 자르기 그림 16장에서 잘 된 그림(1.6~2.6배)과 세포 그물이 된 그림(1.3~7.0배)의 값이 겹쳐 가를 수 없음
(0.47) 러프 2에서 선화의 모든 선을 따라 긋기(짧은 닫힌 고리 · 얼굴 밖의 두꺼운 칠 모양 둘레까지) 처음 보는 40장 눈가림에서 0.46 러프 2보다 작가가 그렸을 법함 3 : 22, 사람 손 2 : 28로 크게 지고 형태는 9 : 10로 차이가 없었음. 메모가 “무늬를 작은 닫힌 고리로 따 넣어 기계적”으로 모여, 되풀이되는 작은 고리를 빼고 칠한 모양 둘레는 얼굴 자리 안에서만 땀
(0.47) 눈동자를 색으로 찾아 타원으로 긋기(찾은 눈 점 둘레에서 흰자 · 살색이 아닌 덩어리) 개발용 그림에서 맞은 눈도 있었지만 볼 홍조 · 눈 일부를 눈동자로 잡는 경우가 많았고, 무엇보다 눈을 알아보아 기호로 바꾸는 방식을 버리고 선화를 따라 긋기로 함
(0.48) 이름용 얼굴: 감은 · 웃는 눈을 짧고 어두운 호로 찾기(골 깊이 · 폭 · 눈 아래 살색으로 따로 매김) 판정용 개발 그림 88장에서 찾은 얼굴 +0, 호 후보를 넓혀도 +1 · 가짜 +1(받아들임 기준: 찾음 +2 이상 · 가짜 +1 이하). 호 후보는 생겨도 감은 눈 얼굴은 열린 눈 근거(반짝임 · 눈 무늬)를 못 얻어 가짜와 가를 단서가 모자람
(0.48) 이름용 얼굴: 눈 종류별 평균 무늬(진짜 얼굴을 1 · 2 · 3 · 4무리로 나눈 무리별 평균 얼굴 · 눈 무늬), 채도 얼굴 무늬 고르기용 개발 그림 117장의 두 겹 교차 검증에서 24가지 모두 같은 가짜 수에서 찾은 얼굴이 지금 무늬(55개)보다 적거나 같음(49~53개). 채도 무늬는 진짜 · 가짜를 가르는 AUC가 0.52 · 0.59에 그침
(0.48) 이름용 얼굴: 더 작은 얼굴(800px 격자 두 눈 사이 16 → 12px) · 더 기운 얼굴(눈을 잇는 선 ±38.7° → ±50.2°) 받기 새로 나온 검출 14개 · 4개가 모두 가짜(글자 · 옷 장식 · 큰 눈의 반짝임). 놓친 작은 · 기운 얼굴은 다른 근거도 낮아 돌아오지 않음
(0.57) 러프 2 선 고르기를 화이트 탑햇 · 결 방향 일관성으로 개발 그림에서 그물은 남거나 옅은 진짜 선이 함께 빠져, 둘레 평균과의 차이(지역 대비) 하나로 둠
(0.57) 그물 칸을 닫아 메우기(선 사이 좁은 칸을 덩어리로) 눈 · 입의 칸까지 메워져 얼굴이 무너짐
(0.57) 회색조 닫힘으로 선 사이를 메운 뒤 고르기 눈 흰자 · 눈동자 사이가 메워져 눈이 사라짐
(0.57) 촘촘한 곳은 더 가는 펜으로 작가식 기준 러프 18칸에서 재현율이 18칸 모두 떨어지고(0 : 18) F도 2 : 16($p = 0.001$)
(0.57) 얼굴 자리 안의 짧은 조각 버리기 입이 사라짐
(0.57) 캐릭터 크기에 따라 펜 굵기 정하기(크기마다 굵기를 익힘) 그림 239장에서 잰 펜 굵기와 캐릭터 크기의 순위 상관이 0.18(그림 긴 변과는 0.20)로 낮아, 크기로 짐작하는 대신 그 그림의 선 굵기를 직접 잼
(0.58) 눈동자를 타원으로 맞추기 · 얼굴 크기에 맞춘 눈 구멍 메우기 맞는 그림이 들쭉날쭉하고, 맞아도 안경처럼 보임
(0.58) 얼굴 밖 더 큰 구멍(펜 배율² × 60 · 120)까지 메우기, 눈꼬리 꺾임 · 손떨림 보정 세기 바꾸기 장식 그물 · 눈 모양이 거의 바뀌지 않음
(0.59f) 빽빽한 곳의 획을 굵기 · 진하기 모두 가볍게(곱해서 최대 0.36배) + 엇갈리는 줄을 세 줄에 하나만 전문가 역할 15명 눈가림에서 0.56에 짐(51 : 82, $p = 9.0 \times 10^{-3}$): “진하기” 12 → 94장 · “끊긴 선” 15 → 57장으로 “선화를 옅게 딴 트레이스”로 봄. 그물 칸 수 · 뭉침 지표는 선이 옅어지면 저절로 좋아져 고르는 지표가 속았음
(0.59f) 글줄 · 서명 지우기 머리카락 하이라이트 조각을 글줄로 잘못 잡고, 필기체 서명 · 말풍선 글자는 거의 못 잡음
(0.59g) 엇갈림 솎기를 누그러뜨려(두 줄에 하나, 엇갈림 문턱 6, 펜 배율 40배 이상 긴 줄은 그대로) 0.59e에 더하기 0.59e와 맞댄 전문가 역할 15명 눈가림에서 138장 중 131장이 “같음”(4 : 3, $p = 1.00$). 그물 칸 수 중앙 4.91 → 4.58로 줄었지만 사람이 가려 볼 만큼의 차이가 아니어서 넣지 않음
(0.48 순환 1) 삼켜진 캐릭터 되돌리기의 얼굴 점수 문턱 13 → 11 185장 BER은 나아졌지만(×0.974), 보류 그림 400장 중 바뀐 97장의 눈가림 8회(회마다 새 채점자)에서 후보 34 · 0.47 40 · 같음 23($p = 0.56$). 정답 있는 AI 생성 그림이 8장뿐이라 185장이 이런 회귀를 잡지 못함
(0.48 순환 2) 캐릭터 사이 틈 규칙의 선 비율 문턱 0.3 → 0.4(흰색이 아닌 배경에서만) 개발 그림 거르기 좋아짐 3 · 나빠짐 2 · 비슷함 3(흰 스타킹 · 흰 치마를 잃음), 보류 400장 중 1장만 바뀜(후보 1 : 0, $p = 1$)
(0.48 순환 3) 선 둘러싸임 판정에서 아래 테두리도 벽으로 185장 BER ×1.016(나빠짐), 보류 400장 중 272장이 바뀌어 눈가림 128장에서 후보 50 · 0.47 68 · 같음 10($p = 0.12$). 되돌린 곳이 대개 아래쪽 바닥 · 배경
(0.48 순환 4) 장면 배경 채우기가 이름용 얼굴(점수 12 이상)의 머리 자리로 들어가지 못하게 185장 BER ×1.007, 개발 그림의 4.6%만 바뀜. 보류 400장 중 26장에서 후보 16 · 기준 9 · 같음 1($p = 0.23$). 찾은 모든 얼굴로 막으면 자세 합성 그림의 가짜 얼굴(흐린 빛 원)이 배경을 넓게 막아 185장 BER ×1.13
(0.48 순환 5) 붙은 부분 되돌리기의 조각 나누기 경계 $\Delta E$ 20 → 12 185장 BER ×1.000, 개발 그림 거르기 좋아짐 8 · 나빠짐 6. 보류 400장 중 113장에서 후보 49 · 기준 52 · 같음 12($p = 0.84$). 조각을 잘게 나누면 되돌리는 쪽과 빼는 쪽이 함께 늘어남
(0.48 순환 6) 밝은 픽셀($L^* \ge 70$) 앞에서 색이 확 바뀌면($\Delta E \ge 20$) 장면 채우기를 멈춤(어두운 곳 막기의 짝) 185장 BER ×1.017, 개발 그림의 51%가 바뀌어 거르기 좋아짐 6 · 나빠짐 8. 보류 400장 중 236장(눈가림 128장)에서 후보 60 · 기준 47 · 같음 21($p = 0.25$). 밝은 옷을 지키는 그림과 밝은 배경을 남기는 그림이 엇갈림
(0.48 순환 7) 그림을 두른 넓은 액자 여백 안쪽의 장면 찾기(여백을 안쪽 값으로 채워 그림 테두리처럼 씀) 185장 바뀜 0, 개발 그림의 1.5%(4장: 좋아짐 3 · 비슷함 1)만 바뀜. 보류 400장 중 1장뿐이라 눈가림 8회에서 후보 쪽 7 · 같음 1이어도 그림 단위로는 $p = 1$
(0.48 순환 8) 어두운 곳 막기(장면 채우기가 어두운 픽셀 앞에서 멈춤)에서 되짚는 걸음 3 → 5 · 8 검은 소매 · 다리 · 모자를 되돌리지만 밤하늘 · 어두운 도시 · 벽도 함께 되돌림. 8걸음은 185장 BER ×0.994이나 개발 그림 거르기 좋아짐 5 · 나빠짐 9, 5걸음은 ×1.000 · 3 : 3. 5걸음을 보류 400장 중 바뀐 131장의 눈가림 8회에 보내 후보 42 · 기준 58 · 같음 28($p = 0.13$). 어두운 옷과 어두운 배경을 막기 하나로는 가르지 못함
(0.48 뒤 9주기) 영역 투표: 배경 단계 끝에서 색 영역마다 영역 특징 40개의 가중 합(합성 정답 세트로 맞춤) + 그래프 컷으로 더하고 되돌리기 185장 분해능은 0.1의 9.67배까지 올랐지만(합성 그림), 보류 그림 400장 눈가림 8회에서 후보 53 · 0.48 69 · 같음 6($p = 0.17$). AI 생성 그림에서 캐릭터 가장자리(머리 끝 · 장식 · 흰 옷 가장자리)를 배경으로 보냄
(0.48 뒤 10주기) 영역 투표의 문턱만 쓰기 · 캐릭터 끝 보호(그림의 1% 미만 영역과 머리 자리는 더하지 않음) · 되돌리기만 개발 그림 판정자 거르기에서 39 · 42 · 50 · 48%(기준 60%)로 모두 미달. 끝 보호를 넣은 후보는 보류 400장에서 후보 53 · 0.48 54 · 같음 1($p = 1.0$)
(0.49 준비) 여러 번 나눠 보기의 흔들림(좌우 뒤집기 · 0.7 · 0.85 · 1.15배로 배경 단계를 다시 돌려 영역마다 지운 횟수)으로 되돌리기 개발 그림 영역 정답에서 배경 대 캐릭터를 가르는 AUC 0.55 · 0.63, 넓이 가중 손실 차 구간이 0을 걸치고 나빠진 그림 26 > 좋아진 11
(0.49 준비) 머리카락 결(구조 텐서 방향 일관성 등 5개)만으로 머리카락 지키기 머리카락 대 배경 AUC 0.78로 미리 정한 기준 0.80에 못 미침. 결 특징은 0.49의 통계식에 넣어 씀
(0.49 준비) 얼굴이 없는 그림을 캐릭터 없는 그림으로 보고 더 지우기 얼굴을 못 찾은 개발 그림 36장 중 정말 캐릭터가 없는 그림은 5장(정밀도 0.14)
(0.49 준비) 영역 특징 통계식만으로 남은 배경 지우기 · 신경망 점수만으로 지우기 개발 그림 영역 정답의 5겹 바깥 점수에서 지운 넓이 중 배경이 74.5% · 72.1%로 목표 80%에 못 미침(캐릭터 손실 3배면 본전이 75%)
(0.49 준비, 11주기) 신경망 점수를 영역 특징과 한 식에 섞어 지우기 바깥 점수 75.9%, 그림 83 : 51로 나아 보였지만 보류 그림 400장 눈가림 8회에서 후보 57 · 0.48 70 · 같음 1($p = 0.29$). “배경을 더 지운 대신 머리카락 · 장식 · 옷 · 날개 조각을 잘라냄”
(0.49 준비) 이미 지운 영역 가운데 신경망 점수가 높은 곳을 캐릭터로 되살리기 바깥 점수에서 좋아진 그림 28 · 나빠진 그림 49
(0.50 준비) 신경망을 다시 학습해(경계 칸 무게 2배 · 배경 단계가 삼킨 캐릭터 칸 무게 3배 · 입력의 배경 지도에 캐릭터 덩어리를 배경으로 칠해 넣는 늘리기 · 합성 학습 그림 1,200장 추가) 지우기와 함께 배경으로 간 영역을 캐릭터로 되살리기 개발 그림 85장(그 그림을 보지 않은 겹의 신경망)에서 바뀐 62장을 채점자 2명이 눈가림으로 견줘 후보 26 · 0.49 32 · 같음 4(후보 승률 45%, 윌슨 95% 33~58%, $p = 0.51$). 되살림이 많은 33장에서 12 : 20으로 졌고, 메모는 대부분 그릇 · 탁자 · 물 · 바위 · 바닥 그림자 · 흰 바탕 띠를 캐릭터로 되살렸다는 것. 지우기가 많은 23장은 12 : 11
(0.50 준비) 되살리기를 영역 모양으로 좁히기(그림 테두리에 닿지 않음 · 둘레 중 캐릭터와 맞닿은 몫 · 얼굴 기준 몸 자리 · 선으로 둘러싸임과 그 조합 12가지) 미리 정한 기준(되살린 넓이 중 캐릭터 몫 60% 이상 · 배경으로 간 캐릭터 넓이의 30% 이상 되살림 · 좋아진 그림이 나빠진 그림보다 많음)을 넘은 조합이 없음. 가장 나은 “테두리에 닿지 않음”도 캐릭터 몫 56% · 되살림 23% · 좋아짐 10 : 나빠짐 11
(0.50 준비) 신경망 점수에 통계식을 제한으로 걸어 되살리기(두 문턱을 모두 넘을 때 · 통계식 특징과 신경망 점수를 한 로지스틱 식으로) 문턱을 캐릭터 몫 60% 이상이 되게 고르면, 0.49 신경망과 한 식으로 묶은 것이 캐릭터 몫 84%이지만 되살림이 6%에 그침. 다시 학습한 신경망과 묶으면 48% · 5%
(0.50 준비) 입력에서 배경 지도를 뺀 신경망(그림 · 선 · 얼굴만 보는 캐릭터 인식, 합성 600장 · 6에폭으로 빠르게 학습)과 통계식 배경으로 간 영역에서 캐릭터를 가르는 AUC 0.667로, 배경 지도를 넣은 신경망(0.705) · 통계식만(0.687)보다 낫지 않음. 가장 나은 규칙은 캐릭터 몫 51% · 되살림 13% · 3 : 3. 이미 학습한 신경망에서 배경 지도만 가리면 AUC가 0.705에서 0.618로(0.49 신경망은 0.723에서 0.645로) 내려감
(0.50 준비) 배경으로 간 영역이 옆의 캐릭터 영역과 색이 이어지는가(선 아닌 경계 · 선 경계 포함 · 가장 닮은 이웃) 캐릭터 대 배경 AUC 0.47 · 0.53 · 0.44로 가르는 힘이 없음. 캐릭터 옆의 배경도 그만큼 자주 비슷한 색
(0.50 준비) 테두리 구간의 양 끝이 선명한 윤곽선에서 끊기고 그 너머가 배경인 조각을 화면 밖으로 이어지는 몸으로 보기 테두리에 닿은 후보 330개(캐릭터 44 · 배경 286)에서 AUC 0.54, 그런 끝이 절반 이상인 조각 중 캐릭터 몫 10%. 머리카락 · 다리는 테두리에서 이웃 색 영역과 부드럽게 이어져 영역 단위의 끝에 선명한 선이 드묾. 그림 모서리에 닿는 조각은 배경 38% · 캐릭터 9%로 차이가 있음
(0.50 준비) 테두리에서 잘린 몸 부분 되돌리기 넓히기(3.5의 7에서 테두리에 닿은 조각의 넓이 상한 6% → 12%, 캐릭터와 맞닿은 둘레 75% → 60%) 확실한 얼굴이 있는 개발 그림 176장 중 먼저 돈 78장에서 결과가 바뀐 그림 3장, 좋아짐 0 · 나빠짐 2. 되찾은 캐릭터보다 캐릭터로 돌아온 배경이 많았음. 넣지 않음
(0.51 준비) 테두리 근처 팔 · 머리카락 되돌리기 규칙: 3.5의 7 뒤에 남은 배경을 옅은 색 경계(2px 사이 ΔE 8 이상)와 선에서 다시 나눈 조각마다 색 분포 비교 · 테두리에 닿은 몫 · 캐릭터와 선 없이 이어진 몫 · 넓이 · 얼굴 피부색과의 차로 가리기 영역 정답이 붙은 개발 그림 207장의 조각 508개(캐릭터 106)에서 AUC 색 분포 0.69 · 테두리 닿은 몫 0.66 · 피부색 0.50 · 이어진 몫 0.44. 애니풍 피부는 흰 · 옅은 배경과 거의 같은 색이라 배경 조각 상당수가 피부색과 ΔE 0. 그림을 반으로 나눠 한쪽에서 고른 규칙이 다른 쪽에서 되돌린 넓이 중 캐릭터 72 → 44%, 좋아짐 12 · 나빠짐 13. 다른 쪽에서 고르면 관문(좋아짐 > 나빠짐, 캐릭터 몫 60% 이상)을 넘는 규칙 없음. 넣지 않음
(0.51 준비) 그래프 컷(GrabCut)으로 누끼 따기: 0.50 결과를 처음 판으로, 얼굴은 확실한 캐릭터로. 장면 배경 1단계 자리를 “모름”으로 둔 판까지 두 가지 테두리빛으로 처리한 팔이 있는 사용자 그림 1장에서 두 판 모두 팔을 되찾지 못하고 겨드랑이 옆 살까지 더 잘림. 색 모형을 처음 판에서 배우고 경계 비용이 이웃 색 대비뿐이라, 진한 옷 · 머리 윤곽을 따라 자르고 밝은 살을 떨어뜨림. 넣지 않음
(0.52 준비) 누끼 모델 결과를 다듬는 후보들: 좌우 뒤집은 그림의 확률과 평균(TTA) · 응집(확률 0.5 이상 덩어리에 이어진 0.1~0.3 이상 픽셀도 캐릭터) · 벽 맞춤(색 영역마다 평균 확률로 영역 전체를 정함) · 모델만 쓰고 코어 뒤 단계 없이 누끼 짝 14장 평균 BER(0.51 0.0851): 뒤집기 평균 0.0900(나빠짐) · 응집 0.1 · 0.2 · 0.3 0.0830 · 0.0820 · 0.0822 · 벽 맞춤 0.0849 · 0.0883(나빠짐) · 모델만 0.0928(나빠짐). 합성 setA 299장(0.51 0.0639): 뒤집기 평균 0.0588 · 응집 0.1 0.0586 · 모델만 0.0464. 짝에서 나빠진 것은 뺐고, 응집은 더하기(아래)보다 못해 넣지 않음
(0.52 준비) 떠 있는 작은 조각(그림 1.5% 미만)을 크기로 효과에 보내는 규칙 대신 벽 규칙(둘레의 절반 이상이 선이면 캐릭터) · 벽 + 밑색 규칙 · 규칙 취소, 그리고 선 정리가 모델이 캐릭터라 한 선을 건드리지 않게 하기 누끼 짝 14장: 규칙 취소 0.0838 · 벽 규칙 0.0838(좋아짐 4 : 2) · 벽 + 밑색 0.0850. 선 정리 제한 0.0819(7 : 3), 합성 setA 0.0517(205 : 16): 0.51의 선 정리가 선 덩어리의 절반 넘게 배경이면 모델이 캐릭터라 한 윤곽선까지 배경으로 옮기고 있었음. 0.52는 코어 뒤 단계를 거치지 않으므로 둘 다 자연히 빠짐(비교판 “더하기 + 벽 규칙 + 선 정리 제한”은 짝 0.0778, 185장은 0.1의 11.77배)
(0.52 준비) 누끼 모델과 기존 방식(신경망 + 통계식)을 합치는 법: 둘 다 캐릭터일 때만 · 하나라도 캐릭터면 · 더하기 $p + \alpha\,(c - 0.5) \ge 0.5$, α ∈ {0.2, 0.4, 0.6} 누끼 짝 14장: 둘 다 0.0793 · 하나라도 0.2062(배경 59%만 찾음) · 더하기 0.2 · 0.4 · 0.6 0.0779 · 0.0778 · 0.0779. 합성 setA: 둘 다 0.0848 · 하나라도 0.1271 · 더하기 0.0454 · 0.0452 · 0.0454 → α 0.4. setB 199장 확인: 0.51 0.0493 → 0.0293(좋아짐 0 : 0). 넣음(0.52)
(0.52 준비) 0.49 신경망의 픽셀 점수 $s$(로짓의 시그모이드, 긴 변 128 격자를 쌍선형으로 원 크기로)를 셋째 항으로: $p + 0.4\,(c - 0.5) + \beta\,(s - 0.5) \ge 0.5$, β ∈ {0.1, 0.2, 0.4} 누끼 짝 14장(더하기 0.4 0.0778): β 0.1 · 0.2 · 0.4 0.0773 · 0.0772 · 0.0780. 합성 setA(0.0452): 0.0451 · 0.0450 · 0.0445. setB(0.0293): 0.0289(β 0.2). 관문을 넘지 못해 넣지 않음(기존 방식 판정 c에 0.49 신경망의 합의 지우기가 이미 들어 있음)
(0.53 준비) 모델이 부족한 곳에서 기존 방식의 무게를 로그 눈금으로 늘리기(결과를 보기 전에 정함). 그림 단위: 모델 캐릭터 넓이 $A_m$와 기존 방식 캐릭터 넓이 $A_c$로 $\alpha = \min\bigl(1,\ 0.4 + \gamma \ln \max(1, A_c / A_m)\bigr)$, γ ∈ {0.2, 0.4, 0.8}. 덩어리 단위: 두 판정이 엇갈린 덩어리마다 모델 불확실도 $U$(평균 $-\ln(\lvert 2p - 1\rvert + 0.01)$)로 $\alpha = \min\bigl(1,\ 0.4 + \gamma \ln(1 + U)\bigr)$, γ ∈ {0.1, 0.2, 0.4} 관문(합성 setA로 γ를 고르고 setB · 누끼 짝 14장에서 0.52보다 평균 BER이 낮고 좋아진 그림이 나빠진 그림보다 많을 것)을 넘은 판이 없음. 누끼 짝(0.52 0.0778): 그림 단위 0.0500(좋아짐 5 : 나빠짐 7) · 0.0852(3 : 9) · 0.1812(1 : 12), 덩어리 단위 0.0777(4 : 7) · 0.0776(5 : 6) · 0.0774(3 : 8). setA(0.0452): 그림 단위 0.0406(74 : 109) · 0.0498(70 : 120) · 0.0803(59 : 133), 덩어리 단위 0.0452(110 : 137) · 0.0452(115 : 144) · 0.0449(110 : 158). 그림 단위 γ 0.2는 평균을 크게 낮췄지만(이상해씨 팬아트 0.500 → 0.106) 넓이 비가 1을 조금 넘는 많은 그림에서 조금씩 나빠짐. 넣지 않음
(0.53 준비, 결과를 본 뒤) 그림 단위 로그 무게를 넓이 비가 충분히 클 때만 켜기: $\alpha = \min\bigl(1,\ 0.4 + \gamma \max(0, \ln(A_c / A_m) - \tau)\bigr)$, τ ∈ {ln 2, ln 4}, γ ∈ {0.2, 0.4} setA(0.0452): τ ln 2 · γ 0.2 0.0409(28 : 34) · γ 0.4 0.0420(25 : 38), τ ln 4 · γ 0.2 0.0411(14 : 10) · γ 0.4 0.0410(13 : 11). 관문을 넘은 것 중 가장 낮은 τ ln 4 · γ 0.4를 아직 보지 않은 setB로 확인: 0.0293 → 0.0303(3 : 11)으로 나빠져 넣지 않음
(0.53 준비, 결과를 본 뒤) 모델이 캐릭터를 놓친 그림만 기존 방식으로: 모델 캐릭터 넓이 < 1%이고 기존 방식 캐릭터 넓이 ≥ 5%이면 그 그림은 기존 방식의 판정을 그대로(α = 1). 1% · 5%는 처음 정한 값이고 여러 값을 견주지 않음 걸린 그림만 바뀜. 합성 setA 12장(좋아짐 9 · 나빠짐 3, 평균 0.0452 → 0.0411) · setB 1장(0.0293 → 0.0285) · 누끼 짝 1장(이상해씨 0.500 → 0.106, 평균 0.0778 → 0.0497). 이상해씨 그림을 보고 만든 규칙이라 짝 값은 바깥 추정이 아님. 넣음(0.53)
(0.54 준비) 0.53에 남은 손실의 두 까닭(배경색 비슷 · 테두리)을 판정 규칙으로 줄이기(결과를 보기 전에 후보 · 관문을 정함): 모델 입력 틀의 빈 자리를 검정 대신 가장자리 복제 · 거울 반사(안쪽 여백 포함)로 채우기, 더한 지도의 응집, 2×2 조각 두 배율, 대비 올리기, 기존 방식 덩어리 붙이기, 검정 · 반사 확률의 평균 · 최댓값, 반사 띠(64 · 128px). 관문은 합성 setA로 고르고 setB · 누끼 짝 14장 · 픽시브 AI 생성 개발용 176장(영역 정답)에서 0.53보다 나쁘지 않을 것 어느 것도 관문을 다 넘지 못함. 거울 반사는 합성 setA에서만 좋고(0.0411 → 0.0337) setB · AI 생성 그림에서는 나빠짐(캐릭터 거울상이 그림 전체 판정을 뒤집음). 검정 · 반사 평균만 setA · setB · 176장을 넘고 짝은 5 : 6(잡음 수준)이었으나 AI 생성 그림에서 캐릭터를 되찾지 못하고(176장 되찾은 캐릭터 −0.03) 모델을 두 번 돌려야 해 넣지 않음. 진단: 잃은 픽셀 대부분이 모델이 확률 0.3 미만으로 확신하고 틀리는 곳이라(합성 setA 캐릭터 픽셀의 3.6%는 기존 방식이 맞고 모델이 틀림) 문턱 · 채우기 · 응집으로는 줄지 않음 → 모델 자체를 더 학습
(0.54 준비) 누끼 모델 미세 학습만 쓰기: 같은 신경망을 합성 setA 290장(픽셀 정답, 짝 캐릭터 출처 10장 제외) + 픽시브 AI 생성 개발용 292장(원래 모델의 검정 · 반사 확률 평균을 부드러운 정답)으로 검정 · 반사 채우기 무작위, 좌우 뒤집기, BCE + soft IoU, 학습률 2e-5, 12 에포크(약 19시간, CPU). 관문은 setB 좋아짐 > 나빠짐, 짝 14장 나빠지지 않음, 176장 ΔW ≥ 0 합성 setB는 크게 좋아짐(0.53 0.0285 → 마지막 에포크 0.0217, setB 최고 에포크 8 0.0181). 짝 14장은 지킨 캐릭터 97.6 → 99.4%, 배경과 색이 비슷한 경계 띠 지킴 43 → 95%로 목표한 손실은 줄었지만 기 · 불꽃 효과와 캐릭터에 붙은 배경을 캐릭터로 넣어 찾은 배경 92.5 → 89.3%, 평균 BER 0.0497 → 0.0561(좋아짐 5 · 나빠짐 7), 176장 ΔW -0.08 → 관문 미달. 더한 픽셀은 짝 14장에서 정답 배경 801k · 정답 캐릭터 118k로, 기존 방식도 그 효과 · 건물을 캐릭터로 봐 가르지 못함. 학습 자료에 “캐릭터에 붙은 효과 · 소품 = 배경”인 예가 없는 것이 까닭으로 보임. 이 판만으로는 넣지 않음
(0.54 준비, 결과를 본 뒤) 더 학습한 판을 쓰기로 한 뒤 판정 규칙으로 관문 넘기기: 한 모델 문턱 · 무게 24가지(τ 0.8~0.99 · α 0~0.4), 두 모델 섞기 10가지(가중 평균 · 기하 평균 · 0.53 판정 ∨ 새 모델 ≥ τ · 원래 모델 바닥값). 후보를 적어 둔 뒤 짝 14장 · setB로 채점, 넘는 것이 여럿이면 한 모델 규칙 우선 · 다음은 setB 최저 한 모델 규칙은 짝 평균을 넘는 칸이 있어도(최선 0.0494) setB에서 나빠진 그림이 더 많아 모두 탈락. 두 모델 평균 $(p_0 + p_1)/2$가 짝 0.0497 → 0.0483(좋아짐 5 · 나빠짐 3), setB 0.0285 → 0.0203(좋아짐 124 · 나빠짐 60), 176장 ΔW +0.02로 넘음. 차점 “0.53 판정 ∨ 새 모델 ≥ 0.9”는 지킨 캐릭터 99.5% · setB 0.0168로 캐릭터 되찾기는 가장 좋았으나 짝 그림 수 3 : 4로 미달. 분홍 건물에 붙은 캐릭터 1장은 어느 규칙도 거르지 못함. 평균을 다음 줄의 섞기 최적화로 다듬음
(0.54 준비, 결과를 본 뒤) 통계식과 두 모델을 섞는 무게 · 문턱 최적화: $w\,p_1 + (1 - w)\,p_0 + \alpha\,(c - 0.5) \ge \tau$에서 w · α ∈ 0~1(0.1 간격), τ ∈ 0.30~0.70(0.05 간격)의 1,089조합(모델이 놓친 그림 규칙은 그대로). 규칙을 먼저 적음: setB 최저, 단 짝에서 평균 판보다 안 나쁘고 좋아짐 ≥ 나빠짐, 176장 ΔW로 확인 짝 관문을 넘는 조합 175개. setB 최저 w 0.4 · α 0 · τ 0.35(0.0189)는 통계식을 버리고 문턱을 낮춘 것이라 AI 생성 그림에서 배경이 딸려 와 176장 ΔW -0.20로 탈락. setB 순서로 내려가며 176장에서 ΔW ≥ 0이고 좋아짐 ≥ 나빠짐인 첫 조합 w 0.4 · α 0.4 · τ 0.55를 넣음(0.54; 그 사이 네 조합은 ΔW < 0이거나 176장에서 나빠짐이 더 많음. 더 아래의 w 0.5 · α 0.4 · τ 0.60(setB 0.0202, ΔW +0.17) 등도 세 자료에서 평균 판보다 나음): 짝 0.0497 → 0.0456(좋아짐 6 · 나빠짐 3, 지킴 99.2% · 찾음 91.7%), setB 0.0285 → 0.0200(좋아짐 119 · 나빠짐 63), 176장 ΔW +0.12(좋아짐 112 · 나빠짐 48). 통계식의 무게 α는 0.4가 그대로 가장 좋았고, 짝 14장 · setB로 골랐으므로 짝의 0.54 값은 바깥 추정이 아니며 176장은 학습 자료라 참고치
(0.55 준비) 효과(글로우 · 파티클 · 빛줄기)를 배경으로 세도록 누끼 모델을 더 학습해 한 모델로 돌아가기(관문 넷과 고르기 규칙을 결과 보기 전에 등록: 합성 setB 199장 ≤ 0.54의 0.0200 · 좋아짐 ≥ 나빠짐, 게시물 누끼 14장 ≤ 0.0456 · 좋아짐 ≥ 나빠짐, 새 효과 합성 rceB 100장 < 0.0383, 픽시브 AI 생성 개발용 176장 영역 정답 ΔW ≥ 0 · 좋아짐 ≥ 나빠짐; 고르기 = setB 최저 중 짝 · rceB 통과, 후보 = 에포크와 에포크 평균): 0.54의 더 학습한 판에서 합성 setA 290장 + 효과 합성 300장(학습 중 즉석 생성, 효과 픽셀은 배경 정답) + 픽시브 AI 생성 개발용 292장으로 1안 12 에포크(학습률 2e-5) · 2안 6 에포크(학습률 5e-6) 1안 S2(에포크 4 · 6 · 8 · 9 · 10 · 11 평균): 8비트로 setB 0.0132(63:34) · 짝 0.0381(6:4) · rceB 0.0283 통과, 176장 ΔW -0.549(60:105) 미달(두 그림에서 캐릭터를 통째로 놓침 — 0.54는 두 모델이 모두 놓치면 기존 방식으로 되돌아가는데 한 모델은 그 되돌림이 안 걸림). 2안 S1b(에포크 0~5 균일 평균): setB 0.0118(52:35) · 짝 0.0388(6:2) · rceB 0.0182 통과, ΔW -0.131(57:108) 미달 — 캐릭터 영역 +0.001(손실 없음), 배경 영역 -0.133(그릇 · 소품을 캐릭터로): 한 모델은 0.54 섞기에서 원래 모델이 쥐던 “배경 물건 거부권”을 잃음. 한 모델 규칙은 보류(배경 물건 음성 예 학습이 필요)
(0.55 준비, 결과를 본 뒤) 0.54 섞기에서 더 학습한 판만 2안의 판(S1b)으로 바꾸고 w ∈ {0.4, 0.5, 0.6}을 봄(α 0.4 · τ 0.55 · 되돌림은 0.54 그대로; 관문 넷은 같음) w 0.4는 짝 미달(0.0455, 2:4); w 0.5 setB 0.0184(37:20) · 짝 0.0440(3:3) · rceB 0.0271 · ΔW +0.034(88:73); w 0.6 setB 0.0181(39:25) · 짝 0.0370(4:2) · rceB 0.0257 · ΔW +0.049(82:80). 규칙이 고른 w 0.6은 앱이 싣는 8비트(원래 배율 + 차이)로 다시 채점하니 ΔW +0.047(78:83)로 그림 수 조건이 뒤집혀(두 양자화의 판정 차이는 픽셀 0.023%) 적어 둔 규칙대로 멈춤. 결과를 본 뒤 w 0.5를 등록: 두 양자화에서 모두 넷 통과(setB 0.0184(36:21) · 짝 0.0440(3:3) · rceB 0.0269 · ΔW +0.033(83:77)) → 0.55. 격자 안의 값이고 관문은 그대로지만 고르기는 사후

풀이 — 왜: 채택하지 않은 방법도 같은 기준으로 재야 왜 지금 방식이 남았는지 알 수 있습니다. 표의 𝑝는 짝지은 판정의 부호 검정 · 정확 검정 값입니다(식은 11.1). 원리: 선 검출 창 $\max(1, \mathrm{round}(4s))$는 긴 변 1000px에서 4px인 창을 크기 비율 𝑠에 비례시키되 바닥 3을 없앤 시도입니다. 작은 그림에서 창이 2px까지 줄어 선이 덜 잡혀 결과가 나빠졌습니다. 참고: R85 Dixon · Mood 1946 · 이 프로그램에서 정한 규칙

8. 최적화

대상 방법 효과
팽창 · 침식 행 · 열로 나눈 1차원 슬라이딩 최대/최소, 단조 덱 반지름과 무관하게 픽셀당 $O(1)$
가우시안 흐림 상자 흐림 3회, 누적 합 반지름과 무관하게 $O(N)$
퍼짐 계산(채우기, 거리, 인페인팅) 앞선 층(front)만 도는 너비 우선 탐색, 거리 순서 방문 각 픽셀을 한 번씩만 방문
배경 색 모델 픽셀이 아닌 영역(수천 개) 단위 그래프 컷, Dinic 최대 흐름 픽셀 수백만 개 대신 영역 수천 개로 풀어 4번 반복해도 가벼움
k-평균 최대 5만(색 모델은 4만) 표본, k-means++ 초기화, 조기 종료 그림 크기와 무관한 군집 비용
층 저장 내용이 있는 사각형으로 잘라 저장, 빈 층은 만들지 않음 메모리와 PSD 크기 절약
PSD 압축 채널 줄마다 PackBits RLE 투명 영역이 많은 층이 매우 작아짐
계산 위치 Web Worker, 결과 버퍼 이동(복사 없음) 계산 중에도 화면이 멈추지 않음
러프 세선화는 지운 픽셀을 후보 목록에서 빼며 반복, 획의 선분은 둘레 상자 안 픽셀만 계산하고 긋기마다 손댄 픽셀만 쌓음 세선화는 반복마다 선 주변만 다시 봄, 그리기는 획 길이 × 굵기에 비례(러프 두 장: 그림 12장 중앙값, 한 번 미리 돌린 뒤 잼, 0.63 + 0.64초(0.46) → 0.74 + 0.90초)
색 변환 sRGB 선형화 256칸 표 거듭제곱 계산 생략
미리보기 클리핑 기본 층의 불투명 사본을 캐시, 보정으로 바뀐 층만 캔버스를 다시 만듦 층 켜고 끄기 · 보정이 바로 반영
보정 되돌리기 바뀐 사각형 줄만 저장 큰 그림에서도 되돌리기 메모리가 작음
단계 격리 단계별 고정 난수 씨앗, 동작 조건 밖에서는 즉시 반환 새 단계가 기존 그림 결과를 바꾸지 않음(회귀 검증이 바이트 비교로 가능)
보정 뒤 다시 나누기 자동 배경 판정 결과(배경 · 되돌린 부분 표시, 얼굴)를 워커에 저장. 그림 내용의 해시와 선 설정이 같으면 그대로 씀 보정 한 번에 코어 계산 중앙값 8.0 → 5.1초, 화면에서 10.0 → 8.3초(시험 그림 세 장에서 17~35% 빠름). 저장하는 것은 그림 크기 바이트 표시 두 장뿐

풀이 — 왜: 브라우저에서 큰 그림을 몇 초 안에 처리하려면 반지름 · 그림 크기에 따라 계산량이 늘지 않는 방법이 필요합니다. 원리: $O(1)$은 픽셀 하나당 계산이 반지름과 상관없이 일정하다는 뜻이고, $O(N)$은 픽셀 수 𝑁에 비례한다는 뜻입니다. 슬라이딩 최대/최소는 단조 덱으로 원소마다 몇 번의 비교만 하고, 상자 흐림은 누적 합으로 창 크기와 상관없이 한 번의 덧셈 · 뺄셈입니다. 참고: R16 Lemire 2006 · R17 Wells 1986 · R27 Dinic 1970

9. 특장점

10. 한계

10.1 그림 종류 · 선 · 효과 층

10.2 배경과 캐릭터 가르기

10.3 얼굴 · 이름 · 캐릭터 폴더

10.4 파츠와 밑색

10.5 크기 · 기울기 · 안정성

10.6 다섯 대상으로 본 약점과 도움 요청(0.39)

0.39가 배경 · 몸 · 밑색 · 얼굴 · 사물을 어떤 경우에 맞게 나누고 어떤 경우에 틀리는지 두 가지 그림으로 쟀습니다(방법과 경우별 표는 11.13).

  배경 몸 밑색 얼굴 사물
합성 그림: 잘됨 77.8% 72.0% 23.6% 42.6% 79.5%
합성 그림: 잘됨 95% 구간 76.9~78.6% 71.1~72.8% 22.8~24.5% 41.6~43.6% 78.6~80.4%
합성 그림: 잘됨 80% 구간 77.2~78.3% 71.4~72.5% 23.1~24.2% 42.0~43.2% 78.9~80.1%
AI 생성 그림: 문제 없음 47.6% 75.4% 10.9% 45.8% 52.8%
AI 생성 그림: 문제 없음 95% 구간 43.8~51.5% 71.9~78.5% 8.8~13.6% 42.0~49.7% 47.7~57.8%
AI 생성 그림: 문제 없음 80% 구간 45.2~50.1% 73.2~77.5% 9.5~12.6% 43.3~48.3% 49.5~56.1%
그림 수(합성 · AI 생성) 10,080 · 657 10,080 · 650 10,080 · 650 10,080 · 644 8,064 · 373

구간은 윌슨 구간(z = 1.96 · 1.2816)입니다. 사물은 합성 그림 중 사물이 있는 8,064장만 세고, AI 생성 그림은 그 대상이 없는 그림(지울 배경이 없는 그림, 보이는 얼굴이 없는 그림 등)을 빼고 셌습니다. 합성 그림은 무작위로 뽑은 표본이 아니라 정해 둔 수준을 모두 엇갈려 그린 것이므로, 합성 쪽 구간은 이 조합 안에서 잰 비율의 정밀도입니다.

드러난 약점은 다음과 같습니다. AI 생성 그림의 수는 그 유형을 붙인 판정 시트 수(작은 문제 포함)입니다.

약점 근거
밑색: 그늘이 밝은 면보다 넓게 칠해진 재질은 그늘 색이 밑색이 됨 합성: 넓은 그림자를 넣으면 잘됨 38.2% → 5.3%, 단추 재질은 모두 틀림
밑색: 다른 재질이 한 밑색으로 묶이고, 장면 · 붓 그림은 잘게 쪼개짐 실제: “다른 재질이 한 밑색” 577장, “누더기” 467장(650장 중)
얼굴: 누운 얼굴 · 엎드린 얼굴 합성: 누움(위에서) 1.7%, 옆으로 누움 0.0%, 엎드림 0.0%, 책상에 엎드림 8.3%
얼굴: 어두운 피부, 고개를 60° 돌린 얼굴 합성: 어두운 피부 0.0%, 고개 60° 돌림 14.4%
얼굴: 놓친 얼굴 · 가짜 얼굴 실제: 놓침 423장, 가짜 255장
배경: 선으로 그린 방(가구 · 창틀)이 캐릭터 쪽에 남음 합성: 잘됨 0.0%(찾은 배경 평균 51.8%)
배경: 장면 · 글자 · 효과가 캐릭터 쪽에 남음 실제: 장면 · 배경 그림 417장, 글자 · 서명 200장, 효과 · 빛 145장
몸: 어두운 단색 배경 앞의 짙은 머리카락 · 옷 · 신발이 배경으로 감 합성: 몸 잘됨 11.4%(그림의 52%에서 머리, 88%에서 발, 24%에서 치마를 잃음)
몸: 머리카락 · 옷 · 흰 부분을 잃음 실제: 머리카락 161장, 옷 147장, 흰 · 옅은 부분 72장
사물: 옆 바닥에 놓인 상자가 캐릭터 쪽에 남음 합성: 잘됨 37.1%, 실제: 떨어진 것이 캐릭터로 208장
사물: 어두운 단색 배경 앞의 배경색 가방 합성: 잘됨 6.0%

0.40에서 선으로 그린 방의 바닥을 찾게 되어, 합성 방 배경 1,680장의 찾은 배경 평균이 51.8 → 76.3%, 몸 잘됨이 93.3 → 100.0%가 됐습니다. 창(창틀 안 유리)이 남아 이 배경의 배경 잘됨은 여전히 0%입니다(12의 0.40).

도움을 구합니다

위 약점을 함께 풀어 줄 분을 찾습니다. 영상 처리나 일러스트 채색 구조를 잘 아는 분이라면 누구든 환영합니다.

11. 검증

모든 그림에서 PSD를 psd-tools(Python)로 다시 합성해 원본과 비교했고, ag-psd(JavaScript)로 구조를 읽어 층 · 폴더 수가 프로그램과 같은지 확인했습니다. 층 구조(이름, 혼합 모드, 클리핑 기반, 빈 층, 캔버스 범위) 점검에서 문제는 0건이었고, 같은 그림을 두 번 분리하면 모든 층의 픽셀이 바이트 단위로 같았습니다. 브라우저의 외부 네트워크 요청을 모두 막은 상태로도 실행해 확인했습니다(외부 요청 0건).

풀이 — 왜: 이 절에 적은 통계값(비율, 구간, 𝑝, 오즈비, 𝜅, 분해능)이 어떤 식에서 나왔는지를 한곳에 모았습니다. 원리: 모든 값은 11.1의 식으로 구했습니다. 재현 정확도는 PSNR(4.13), 분리 정확도는 BER과 그 역수인 분해능(11.14), 비율의 구간은 윌슨 구간, 버전끼리의 구간은 그림 단위 짝 부트스트랩입니다. 참고: R55 Huynh-Thu · Ghanbari 2008 · R56 Wilson 1927 · R80 Efron 1979

이 절의 항목:

11.1 평가에 쓴 식

11.2 시험 그림 25장

그림 특징 파츠 재현 PSNR 시간
예제 그림 (800×800) 셀 채색, 단색 배경 6 65.1 dB 4초
어두운 배경의 소녀 (2000×1125) 흰 머리, 가는 선, 빛줄기 효과 17 53.8 dB 10초
마법소녀 (1200×800) 색 선(색 트레이스), 커튼 배경, 반짝이 26 60.2 dB 6초
교실 (800×1200) 저채도 수채풍, 교실 배경, 소품 15 57.8 dB 6초
달 위의 다과회 (1200×675) 우주 · 지구 · 달 표면 배경, 두 인물 29 53.7 dB 6초
카페와 마스코트 (961×1200) 흐린 카페 배경, 마스코트, 파르페 19 60.9 dB 6초
비 오는 거리의 크레페 (959×1200) 보케 조명 배경, 역광, 긴 머리 28 + 작은 1 56.5 dB 7초
벤치 위 (961×1200) 나뭇잎 사이 햇빛 얼룩, 보도블록 31 + 작은 8 54.5 dB 8초
카페 실내 전신 (800×1200) 세밀하게 그린 실내 배경(흐린 결 + 또렷한 가구) 28 + 작은 3 51.8 dB 7초
주방의 두 사람 (1200×930) 선으로 그린 주방, 물감 튄 테두리 효과 32 + 작은 23 53.7 dB 9초
베레모와 책 (930×1200) 위에서 잘린 베레모, 흐린 정원 배경 32 + 작은 1 52.5 dB 7초
교실의 은발 소녀 (936×1200) 아래에서 잘린 재킷 · 치마, 교실 배경 29 + 작은 3 53.5 dB 8초
두 사람의 전신 (1200×936) 바닥까지 보이는 전신, 날개 · 꼬리 26 51.0 dB 7초
은발 고스로리 (930×1200) 네온 외곽 글로우, 그래피티 골목 배경 30 + 작은 3 49.4 dB 8초
유카타 두 사람 (930×1200) 불꽃놀이 · 포장마차 배경 31 + 작은 6 58.0 dB 8초
파티의 두 사람 (1200×930) 풍선 · 과자, 앉은 자세 30 + 작은 3 59.6 dB 7초
야경 앞 두 사람 (1200×930) 네온 조명, 고양이귀, 망사 스타킹 27 + 작은 7 52.0 dB 8초
창가의 두 사람 (1200×930) 도시 야경, 긴 머리가 배경에 겹침 31 + 작은 10 58.9 dB 7초
모자 쓴 소녀의 클로즈업 (1200×800) 턱을 괸 얼굴, 흐린 숲 · 하늘 배경, 손글씨 21 57.8 dB 6초
단풍 앞 마녀와 무녀 (1200×1097) 단풍 · 신사 건물 배경, 마녀 모자 30 + 작은 3 53.2 dB 9초
금빛 무희 카드 일러스트 (960×1200) 금빛 장식 · 구름으로 가득한 배경, 반짝이 31 + 작은 7 53.9 dB 9초
치파오 카드 일러스트 (960×1200) 매화 가지 · 붉은 등롱 배경 32 + 작은 6 54.1 dB 9초
미쿠 흉상 (822×1200) 하늘 단색에 가까운 배경, 바람에 날리는 머리 30 + 작은 3 54.9 dB 6초
체크 셔츠 여성과 만화 컷 (829×1200) 실내 바닥 · 벽, 작은 만화 컷 두 개 28 49.9 dB 6초
꽃밭의 엘프 (1200×630) 하늘 · 구름 · 꽃밭 배경, 흩날리는 꽃잎 23 64.2 dB 4초
그 밖에 2048px 확대본, 잡음 섞인 JPEG, 투명 배경 PNG   55~60 dB  

시간은 처리 해상도 2048px, 기본 설정에서 분해에 걸린 시간을 한 컴퓨터에서 한 장씩 차례로 잰 값이며, 컴퓨터에 따라 다릅니다. 같은 컴퓨터에서 0.11과 번갈아 재면 얼굴 찾기 · 얼굴 기준 넓히기로 한 장에 −0.1~2.4초(중앙값 0.6초) 더 걸립니다. 얼굴 찾기 자체는 0.4~0.6초입니다. 0.16과 번갈아 재면 0.17은 중앙값 +1%(−12~+15%)로, 잴 때마다 생기는 차이와 비슷합니다.

psd-tools로 다시 합성한 PSNR: 48~57 dB.

마지막 다섯 장 중 카드 일러스트 두 장은 배경이 조금만 분리됩니다(배경 7%, 21%). 배경의 금빛 장식 · 구름 · 등롱을 캐릭터와 같은 진하고 또렷한 선으로 그렸고, 배경색이 캐릭터 색(금발 · 피부, 붉은 옷)과 많이 겹쳐(색 분포 겹침 0.67, 0.51) 색 모델 단계는 안전장치에 따라 동작하지 않습니다. 치파오 그림은 얼굴 기준 넓히기로 배경이 15% → 21%가 되었습니다(왼쪽 기둥 · 바닥의 구름). 나머지 세 장은 하늘 · 바닥 · 벽 · 꽃밭이 배경으로 분리됩니다(36%, 31%, 63%). 단풍 앞 마녀와 무녀도 카드 일러스트와 같은 경우입니다(배경 11%). 단풍 · 신사 건물을 캐릭터와 같은 선으로 그렸고, 단풍색이 붉은 옷 · 금발과 겹칩니다(색 분포 겹침 0.66).

딸려 들어간 캐릭터 부분 되돌리기(3.5의 7)

선 없이 부드럽게 칠해 배경에 들어갔던 부분이 캐릭터로 돌아왔습니다.

그림 돌아온 부분 배경
교실의 은발 소녀 얼굴에 댄 팔의 분홍 소매 22.9% → 18.0%
두 사람의 전신 뻗은 손, 날개 조각, 머리 윗부분, 다른 인물의 손가락 38.4% → 36.0%
모자 쓴 소녀의 클로즈업 턱을 괸 팔 34.9% → 32.1%
교실 책 위에 올린 소매 54.0% → 53.0%
단풍 앞 마녀와 무녀 모자를 잡은 손 11.4% → 11.0%
야경 앞 두 사람 고양이 귀 두 개 35.0% → 34.4%
그 밖에 흩날리는 머리카락 끝, 치마 사이 피부, 옷자락 각 0.1~0.4%p

대신 캐릭터와 맞닿은 작은 배경 조각도 몇 개 캐릭터로 왔습니다(불꽃놀이 한 조각, 풀 한 무더기, 등롱 한 조각, 만화 컷 속 틈, 바닥의 컵 두 개. 각각 전체의 0.1~0.7%). 나머지 15장은 결과가 바이트 단위로 같습니다. 겹침(IoU)은 유카타 두 사람 0.791 → 0.791, 야경 앞 두 사람 0.768 → 0.762입니다 (기준 윤곽선이 고양이 귀 끝을 빼고 그려져 있고 컵을 배경으로 셈).

테두리에 닿은 부분은 그대로 남습니다: 모자 쓴 소녀의 클로즈업(모자 챙, 소매 끝), 미쿠 흉상(화면 오른쪽 어깨), 꽃밭의 엘프(흰 치마). 캐릭터로 되돌리기로 팔을 따라 한 번 칠하면, 배경에 들어갔던 팔 넓이의 90%가 캐릭터로 돌아오는 것을 확인했습니다.

배경 판정

사람이 직접 확인한 캐릭터 영역과 비교한 겹침(IoU)입니다.

그림 색 모델 단계 전 후
은발 고스로리 0.72 0.90
유카타 두 사람 0.71 0.79
파티의 두 사람 0.58 0.63
야경 앞 두 사람 0.68 0.77
창가의 두 사람 0.69 0.69

색 모델 단계는 선으로 그린 배경의 그림(위 다섯 장과 주방 그림)에서만 동작합니다. 나머지 그림은 이 단계가 없을 때와 결과가 바이트 단위로 같음을 비교해 확인했습니다.

자동 설정 검증

예제 그림을 코드로 다시 그리면서 선 굵기 · 선 색 · 해상도 · 별 크기를 바꾼 변형을 만들고, 같은 그림을 “선만 검정”으로도 그려 정답 선으로 삼았습니다. 찾은 선 픽셀 중 정답(1px 허용)의 비율이 정밀도, 정답 중 찾은 비율이 재현율입니다.

변형 기본값 정밀도 / 재현율 자동 정밀도 / 재현율 자동으로 고른 값
800px, 5px 선(예제 그대로) 0.998 / 0.993 0.998 / 0.993 기본값 그대로
800px, 2px 선 0.991 / 1.000 0.991 / 1.000 기본값 그대로
2000px, 5px 선 0.988 / 1.000 0.988 / 1.000 기본값 그대로
800px, 12px 선 0.898 / 0.010 0.991 / 0.924 선 굵기 3 → 8 (잰 펜 굵기 13px)
500px, 9px 선 0.990 / 0.304 0.974 / 0.986 선 굵기 3 → 7 (10px)

선이 옅거나(회보라) 색 선(적갈색)인 변형은 기본값 · 자동 모두 같습니다(재현율 0.015, 0.605). 선이 칠보다 밝은 곳은 “어두운 가는 구조”가 아니어서 찾지 못합니다. 시험 그림 28장은 모두 기본 창으로 충분해, 자동 설정으로도 결과가 바이트 단위로 같습니다(잰 펜 굵기 4.7~9px, 2048px 확대본 12.3px). 그림을 재는 데 드는 시간은 한 장에 0.3초 안팎으로, 잴 때마다 생기는 차이와 비슷합니다.

의미로 배경 가르기의 한계

캐릭터와 배경을 같은 색 · 같은 선으로 그린 그림에 캐릭터 윤곽을 손으로 그려 정답으로 삼고, 여러 방법이 어디까지 가를 수 있는지 쟀습니다. 값은 “찾은 배경 비율 / 지킨 캐릭터 비율”(24색 영역 단위, 넓이 가중)이며, 윤곽을 손으로 대충 그려 몇 %p의 오차가 있습니다.

그림 0.11 0.13(얼굴 찾기 + 확실한 곳만) 사람이 표시한 눈 위치 + 확신할 때만 넓히기(윤곽선 조건 없이) 상한(정답에서 배운 색 + 얼굴 기준 위치)
단풍 앞 마녀와 무녀 34% / 94% 37% / 94% 51% / 93% 76% / 93%
주방의 두 사람 5% / 99% 5% / 99% 9% / 99% 60% / 95%
치파오 카드 일러스트 26% / 93% 37% / 92% 39% / 90% 79% / 95%
창가의 두 사람 52% / 92% 56% / 92% 71% / 91% 86% / 99%
은발 고스로리 84% / 100% 86% / 100% 81% / 99% 80% / 100%

상한은 정답을 미리 아는 경우라 실제로는 닿을 수 없는 값입니다. 눈 위치를 알면 배경을 조금 더 찾을 수 있지만, 눈 위치 없이 같은 방법을 쓰면 단풍 그림에서 두 캐릭터의 절반을 배경으로 보냅니다. 0.13은 눈을 사람 대신 프로그램이 찾고(가짜 얼굴이 섞임), 캐릭터 부분을 잃지 않도록 “기존 배경에서 선 없이 이어진 곳”만 더해서 사람이 표시한 경우보다 덜 찾습니다. 윤곽을 그린 8장(위 다섯 장과 유카타 · 파티 · 야경 그림) 평균으로 찾은 배경은 49.9%(0.11) → 51.9%(0.12) → 52.5%(0.13), 지킨 캐릭터는 96.7% → 96.5% → 96.5%, 영역 전체가 맞은 비율은 79.8% → 80.4% → 80.7%입니다. 줄어든 캐릭터는 대부분 치파오 그림(92.6% → 91.5%)에서 화면 아래 끝의 금빛 구름 장식과 나뭇가지 · 바닥 조각으로, 손으로 대충 그린 윤곽 안에 들어 있던 곳입니다.

얼굴 찾기

시험 그림 24장에서 두 눈이 보이는 얼굴 31개에 사람이 눈 위치를 표시하고, 평균 무늬를 그 그림을 뺀 나머지 그림으로 만들어(한 장씩 빼기) 쟀습니다. 문턱 11에서 31개 중 30개를 찾았고(놓친 하나는 역광 그림의 얼굴, 점수 10.4), 얼굴이 아닌 것도 그림당 평균 2개를 얼굴로 봤습니다(무릎, 손, 그릇, 옷 무늬, 배경 장식). 문턱을 12로 올리면 가짜가 절반 아래로 줄지만 31개 중 26개만 찾고, 얼굴을 놓친 캐릭터가 배경으로 새는 일이 생겨(지킨 캐릭터: 단풍 그림 94% → 81%, 치파오 그림 93% → 86%) 11로 뒀습니다. 프로그램에 넣은 평균 무늬(31개 모두로 만든 것)로는 투명 배경 PNG를 뺀 27장에서 얼굴을 1~6개 찾았습니다.

얼굴 기준 넓히기가 바꾼 것

캐릭터 윤곽을 그리지 않은 그림은 결과를 전과 나란히 놓고 새로 배경이 된 곳을 하나하나 봤습니다. 두 사람의 전신(뒤쪽 건물, 배경 36% → 42%), 꽃밭의 엘프(하늘 · 꽃밭 조각, 59% → 63%), 마법소녀(머리카락 사이로 보이던 커튼, 58% → 59%)는 캐릭터를 건드리지 않고 배경만 더 떼어 냈습니다. 나머지 그림은 둘레의 작은 배경 조각(창틀, 나뭇잎, 벽 조각)이 0.1~0.9% 빠졌습니다. 캐릭터 쪽 손실은 미쿠 흉상에서 이미 배경에 둘러싸여 있던 셔츠 끝단 조각 몇 개(0.1% 미만)였습니다. 0.12에서는 예제 그림 · 파티 · 야경 · 창가 그림과 2048px 확대본이 얼굴을 찾았지만 더할 배경이 없어 결과가 바이트 단위로 같았습니다. 0.13에서 가짜 얼굴을 거르자 창가 그림(뒤쪽 도시 야경 · 커튼, 배경 23.8% → 25.8%)과 유카타 그림(18.7% → 19.5%)이 더 떨어졌고, 달 위의 다과회 · 카페 실내 · 클로즈업 · 단풍 그림은 0.1~0.3%p 안에서 바뀌었습니다(달 위의 다과회에서 왼쪽 인물 목깃의 작은 조각 하나가 함께 빠짐). 투명 배경 PNG는 배경 찾기를 하지 않지만, 0.19부터 얼굴은 찾아 이름을 붙입니다(투명 배경 예제 그림: “보라” → “머리카락”, “파랑” → “눈”. 픽셀은 같음).

파츠 이름(눈 · 피부 · 머리카락)

0.18에서 이름 붙이기를 다시 검증했습니다.

정답이 있는 합성 그림: 예제 그림을 코드로 다시 그리면서 머리색 10가지, 피부색 4가지, 크기 · 위치 4가지, 기울기 ±15°~45°, 이마를 드러낸 머리, 긴 머리, 머리색과 같은 옷, 흰 옷 + 창백한 피부, 살색 소품, 선 없음 · 색 선 · 가는 선, 어두운 · 그라데이션 · 살색 배경, 가로 · 세로 그림, 두 사람(머리색이 다름 · 같음 · 크기가 다름) 48장을 만들고, 같은 도형으로 재질 지도를 그려 정답으로 삼았습니다. 재질 경계 3px는 빼고 픽셀로 셌습니다.

  머리카락 정밀도 / 재현율 피부 정밀도 / 재현율 눈 정밀도 / 재현율 틀린 이름이 붙은 그림
0.17 98.3% / 73.5% 90.1% / 92.7% 100% / 51.0% 11장
0.18 99.7% / 81.2% 97.3% / 93.7% 100% / 52.3% 1장(짙은 피부: 얼굴을 못 찾고 가짜 얼굴만 남음)
0.19 99.7% / 85.8% 97.3% / 97.6% 100% / 53.9% 1장(같음)

0.17에서 틀린 이름이 붙은 까닭은 여섯 가지였습니다: 이마를 드러낸 머리에서 표가 0개인 파츠를 “머리카락”으로 고름, 흰자 위 그림자를 “머리카락”으로 고름 (찾은 눈 위치가 이 그림체에서 0.22𝑑 아래라 앞머리 칸에 흰자가 걸침. AI 생성 그림 30개 얼굴은 −0.07~+0.07𝑑), 머리가 작은 두 번째 캐릭터의 얼굴을 가짜로 거름, 크기 비가 1.8을 조금 넘는 두 캐릭터를 한 캐릭터로 봄, 창백한 얼굴 + 옅은 머리가 한 파츠인데 “피부”로 부름, 옷깃의 가짜 얼굴이 옷에 “피부”를 붙임. 눈 재현율이 낮은 것은 이름을 붙이는 눈동자 파츠만 세고 흰자는 옷깃 · 셔츠와 한 파츠가 되기 때문입니다.

AI 생성 그림 25장: 24장에 뜻 이름이 붙었습니다(피부 21장, 머리카락 23장, 눈 3장, 모두 62개 파츠). 이름이 붙은 파츠를 그림 위에 색칠해 모두 봤을 때 눈 4개는 모두 눈이었고, 피부 · 머리카락도 대략 10개 중 9개는 그 파츠의 대부분이 이름대로였습니다. 0.17에서 틀렸던 것 중 네온 골목 그림의 검은 원피스(“머리카락”), 주방 그림의 청록 앞치마(“머리카락”), 클로즈업 그림의 노란 옷(“피부”), 야경 그림의 치마(“머리카락”), 창가 그림의 리본 · 단풍 그림의 머리카락 조각(“눈”), 예제 그림의 흰자 그림자(“머리카락”), 카페와 마스코트 그림의 흰 파츠(“머리카락”, 표 0개 결함)가 없어졌고, 단풍 그림의 마녀 금발(점수가 낮은 두 번째 캐릭터)에 “머리카락”이 새로 붙었습니다. 창가 그림 왼쪽 소녀의 다리 피부는 가짜 얼굴이 붙여 주던 이름이라 빠졌습니다. 남은 오류는 파츠가 다른 물건과 한 색으로 묶였을 때입니다: 역광 그림의 분홍빛 흰 머리(“피부”와 한 파츠), 교실 그림의 공책(머리카락과 같은 크림색). 카페와 마스코트 그림은 창백한 얼굴과 금발이 한 파츠라 이름을 붙이지 않습니다. 미쿠 흉상과 두 사람의 전신 그림 왼쪽 인물은 앞머리가 여러 색 파츠로 나뉘어 머리카락 이름이 없습니다. 층의 픽셀 · 층 수 · 재현 PSNR은 이름 규칙과 관계없고(0.18에서 픽셀이 바뀐 그림은 가짜 얼굴을 뺀 달 위의 다과회 한 장), 두 PSD 파서 모두 한글 이름을 읽었습니다.

좌우 뒤집기: 그림을 좌우로 뒤집어 분해한 뒤 이름 지도를 되뒤집어 원래와 겹쳐 보면(넓이 가중 IoU) 머리카락 42%, 피부 61%, 눈 48%만 겹칩니다(0.17도 41%, 59%, 42%). 얼굴 점수가 뒤집기만으로 최대 ±1 달라지고(단풍 그림의 마녀 얼굴은 뒤집으면 찾지 못함), 색이 아주 비슷한 재질(흰 머리와 창백한 피부, $\Delta E$ 5 안팎)이 한 파츠가 되느냐가 색 군집 표본에 따라 바뀌기 때문입니다. 이름 규칙이 아니라 얼굴 찾기와 파츠 나누기의 안정성 문제입니다(10). 0.19에서 원인을 나눠 봤습니다. 25장 모두 배경은 평균 98.7%(가장 낮은 그림 92.8%)가 같고, 캐릭터 수는 24장이 같습니다. 얼굴 점수의 차이는 평균 얼굴 무늬가 좌우 대칭이 아닌 것과 눈 위치 다듬기를 왼눈부터 하는 것에서 옵니다. 둘 다 대칭으로 바꾸면 점수 차이는 0이 되고 배경은 99.2%(가장 낮은 그림 97.7%), 캐릭터 수는 25장이 같아지지만, 이름 지도의 겹침은 34 · 52 · 34%로 오히려 줄고 원래 방향의 이름이 나빠져 두었습니다(7.5). 색 군집을 픽셀 순서와 상관없게 바꿔도(색 칸 히스토그램) 이름 겹침은 43 · 58 · 43%로 거의 같습니다. 배경 채우기 · 재질 묶기 · 파츠 정리가 모두 픽셀 순서대로 욕심껏 합치기 때문입니다.

캐릭터별 폴더

두 사람이 나오는 시험 그림 7장은 모두 [캐릭터 1] · [캐릭터 2]로 나뉘었고, 나머지 18장은 한 [캐릭터] 폴더 그대로입니다 (한 사람 그림에서 무릎 · 신발 · 옷 무늬의 가짜 얼굴로 캐릭터가 늘어난 경우 0장. 달 위의 다과회의 눈 감은 옆얼굴 인물, 체크 셔츠 그림 속 만화 컷의 작은 인물은 따로 나뉘지 않음). 캐릭터 윤곽을 사람이 그린 네 장에서 두 캐릭터 중 한쪽 윤곽 안에만 드는 픽셀이 맞는 캐릭터 폴더로 간 비율은 유카타 99.2%, 파티 93.2%, 야경 98.1%, 창가 96.3%입니다. 처음 방식(얼굴 가운데 작은 씨앗에서만 퍼지기)은 90.0~94.1%였고, 선 비용을 5~13배로 올리면 옷 무늬 · 머리카락 결의 선까지 벽이 되어 80~93%로 나빠졌습니다. 합성 결과(재현 PSNR, 미리보기)는 한 폴더일 때와 모든 그림에서 같고, 두 사람 그림에서도 배경으로 보내기 · 캐릭터로 되돌리기 · 되돌리기가 전과 같게 동작합니다. 0.19에서도 네 장의 결과는 0.18과 바이트 단위로 같고, 틀린 픽셀은 모두 두 캐릭터가 맞닿은 이음매(머리카락 한 가닥 폭의 띠)였습니다. 씨앗 자리의 크기를 바꿔도 달라지지 않았습니다(7.5). 배경 분리를 끄고 돌려도 25장 모두 캐릭터 수가 같았습니다(0.18까지는 얼굴을 찾지 않아 폴더 · 이름이 없었음).

외곽 글로우

테두리 띠의 형광색 비율은 은발 고스로리 23%(안쪽 4.7%), 유카타 두 사람 30%(안쪽 4.6%)였고, 나머지 23장은 15% 미만이거나 안쪽과 비슷했습니다(꽃밭의 엘프 30% 대 안쪽 10%). 은발 고스로리는 캐릭터를 두른 네온 띠가 “외곽 글로우” 층(전체의 5.0%)으로 떨어졌고, 캐릭터 쪽에서 작은 파츠로 흩어져 있던 글로우 조각 3개가 사라졌습니다. 유카타 두 사람은 경계를 26%만 둘러 하지 않았습니다. 나머지 27장은 결과가 바이트 단위로 같습니다. 합성 글로우 그림 5장(초록 · 분홍 · 청록 · 노랑 · 가는 주황, 흐림 반지름 4~12px)에서는 단색 배경 위의 초록 글로우 한 장만 나뉘었습니다(글로우 핵의 37%). 나머지는 형광 조건($L^* > 60,\ C^* > 45$)에 들지 않거나(청록 $C^*$ 40, 어두운 배경에 번진 분홍 $L^*$ 60 미만) 띠의 형광 비율이 문턱 바로 아래(노랑 17.9%)였습니다. 글로우가 없는 합성 52장에서 잘못 나눈 글로우는 0이었습니다. AI 생성 그림에서 글로우가 없는 그림도 캐릭터 쪽 띠의 형광 비율이 35%까지 올라가(주방 35%, 유카타 · 꽃밭의 엘프 30%), 형광 조건을 넓히지 않았습니다(10).

풀이 — 왜: 합성 글로우 중 나뉘지 않은 것이 어느 조건에서 빠졌는지 보입니다. 원리: 형광은 $L^* > 60$(밝기)과 $C^* > 45$(채도)를 모두 넘어야 하므로, 채도 40인 청록이나 밝기 60 미만인 분홍은 빠집니다(4.5 외곽 글로우). 참고: R7 CIE 2004

11.3 합성 정답 그림 57장(0.19)

예제 그림의 인물을 코드로 다시 그리면서 캐릭터 영역 · 캐릭터 번호 · 글로우 · 눈 위치 정답을 함께 그렸습니다. 배경 6가지(단색, 그라데이션, 어두운 단색, 선으로 그린 방(창문 · 선반 · 화분 · 마루), 줄무늬, 보케) × 인물 6가지(보라 머리, 윤곽선과 같은 색의 검은 단색 머리, 결을 그은 검은 머리 · 보라 머리, 두 사람(보라 + 금발, 검정 + 분홍)), 글로우 5장, 피부색 5가지, 좌우 반전, 기울기 ±30°, 크기 0.4~1.2배, 세 사람 · 겹친 두 사람, 선 없는 인물 2장, 색 선 1장입니다. 캐릭터 경계 3px는 빼고 셌습니다.

  0.18 0.19
찾은 배경 90.3% 93.2%
지킨 캐릭터 81.10% 97.62%
찾은 얼굴(73개 중) · 가짜 얼굴 57 · 7 70 · 8
두 사람 이상 그림 15장 중 캐릭터 수가 맞은 그림 10 15
캐릭터 픽셀이 맞는 캐릭터 폴더로 간 비율 95.5% 99.8%
머리카락 · 피부 이름 정밀도 99.3% · 80.6% 99.5% · 92.3%

0.18에서는 윤곽선이 머리카락과 같은 색인 검은 단색 머리 캐릭터가 두 사람 그림(단색 · 그라데이션 · 줄무늬 · 보케 배경)과 선으로 그린 방 배경에서 통째로 배경이 됐고, 그라데이션 하늘 앞에서는 배경을 하나도 찾지 못했으며, 어두운 단색 배경 앞에서는 보라 머리 · 옷이 배경이 됐습니다(3.5의 8, 7.2). 삼켜진 캐릭터 되돌리기만으로 지킨 캐릭터가 95.8%, 장면 배경의 넓이 확인 전에도 되돌려 그라데이션 하늘 그림 두 장의 배경을 찾으면서 찾은 배경이 93.2%, 옅은 경계로 한 번 더 나눠 보케 배경 앞의 검은 머리를 되돌리면서 97.6%가 됐습니다. 남은 것은 거의 검은 단색 배경 앞의 검은 머리 세 장(윤곽이 배경과 $\Delta E$ 6)과, 선 없는 얼굴 위 앞머리에서 가짜 얼굴이 진짜 얼굴보다 점수가 조금 높은 한 장입니다. 선으로 그린 방 배경은 창문 · 선반 · 화분 · 마루가 캐릭터 쪽에 남아 찾은 배경이 절반 정도입니다(10). 얼굴은 기울기 ±30°, 크기 0.4~1.2배, 좌우 반전, 피부 밝기 77까지 모두 찾았고, 피부 밝기 57 · 34와 선 없는 한 장을 놓쳤습니다. 같은 그림들을 투명 배경 PNG로 만든 8장에서는 얼굴 14개를 모두 찾고 두 사람 이상 그림 5장의 캐릭터가 모두 나뉘었습니다(0.18은 얼굴 0개, 폴더 0장). AI 생성 그림 25장은 PSD가 0.18과 바이트 단위로 같습니다(삼켜진 얼굴이 없어 되돌리기가 동작하지 않음).

11.4 처음 보는 그림 300장(0.20~0.22)

규칙과 평균 무늬를 만든 시험 그림 밖에서 얼마나 되는지 보려고, 픽시브 일간 · 주간 · 월간 · 신인 순위(2026년 8~9월)에서 전연령 · 가장 낮은 민감도 표시의 일러스트만 골라 무작위로 뽑은 뒤, 한 장씩 보고 만화 · 글자 위주 그림과 노출이 있는 그림을 빼고 300장을 모았습니다. 사람 모습 캐릭터, 동물 · 로봇 · 괴물, 풍경, 과자 그림, 설정화, 단체 그림, 흑백 · 수채 · 붓 그림이 섞여 있습니다(긴 변 1200px 안팎). 정답 윤곽이 없어서, 결과를 원본과 나란히 놓고 그림마다 사람이 판정했습니다(두 눈이 보이는 얼굴 수와 그중 찾은 수, 가짜 얼굴 수, 배경, 이름, 캐릭터 폴더 수).

항목 0.21 결과 (0.20)
오류 · 멈춤 0장 (0.20에서 한 장 중앙값 6.6초, 가장 긴 것 14초. 재현 PSNR 가장 낮은 것 47.7 dB · 중앙값 55.2 dB)
두 눈이 보이는 얼굴 355개 중 189개(53%)를 찾음. 한 사람 그림 148장 중 96장에서 찾음. 가짜 얼굴 294개(그림당 1개꼴). 0.20과 같음. 0.22의 이름 · 폴더용 얼굴은 아래
배경 캐릭터를 온전히 두고 배경을 대부분 뗌 104장(102), 캐릭터는 온전하고 배경이 눈에 띄게 남음 118장(117), 캐릭터 일부(머리카락 끝 · 손)가 빠짐 6장(6), 캐릭터의 큰 부분이 빠짐 65장(68), 배경을 못 찾음 5장(5), 캐릭터가 없는 그림 2장(2)
이름(진짜 얼굴을 찾은 147장) 머리카락: 대부분 붙음 38장(37) · 일부 55장(48) · 없음 50장(58). 피부: 대부분 41장(43) · 일부 11장(13) · 없음 93장(89)
틀린 이름 107장에서 133곳(0.20: 104장에서 132곳. 옷 · 리본 · 소품 · 배경에 “머리카락” · “피부”). 0.20 판정에서 적어도 47곳은 가짜 얼굴이 붙인 것
캐릭터 폴더 수 300장 중 232장이 맞음. 한 사람(또는 얼굴이 없는) 그림 235장 중 221장, 두 사람 이상 그림 65장 중 11장. 0.20과 같음. 0.22는 236장, 0.24는 238장(아래)

시험 그림(얼굴 31개 중 30개)보다 크게 낮은 얼굴 찾기가 이름 · 폴더 결과를 거의 결정합니다. 놓친 166개 중 114개는 두 사람 이상 그림에 있었고 (그런 그림에서는 207개 중 93개만 찾음, 한 사람 그림에서는 148개 중 96개), 작은 얼굴이 많은 단체 그림 · 여러 칸 그림에서 특히 많이 놓쳤습니다. 한 사람 그림에서 놓친 얼굴 중에는 안경, 눈을 가린 앞머리, 크게 기울거나 누운 얼굴, 푸른 · 붉은 조명으로 물든 얼굴, 짙은 피부가 있었습니다. 0.20에서 캐릭터의 큰 부분이 빠진 68장 중 46장은 흰 옷 · 옅은 머리가 흰 · 옅은 배경과 맞닿은 그림이었고, 여덟 장을 단계별로 보니 모두 장면 배경(선이 드문 곳)이 옷으로 들어갔습니다(10). 0.21은 그중 세 장이 나아져 65장 중 43장입니다(아래). 캐릭터 얼굴 고르기의 높이 조건을 바꿔 보는 시험도 이 300장으로 했습니다(7.5).

0.18과 비교: 같은 300장을 0.18로도 분해해 캐릭터 · 이름 지도를 비교했습니다. 288장은 결과가 같았고, 12장이 달랐습니다. 나아진 것은 두 장(세 사람 셀카: 배경으로 갔던 재킷 · 어깨가 돌아옴, 두 사람 설정화: 리본 · 치마의 틀린 “피부” 색 이름이 빠지고 머리카락 이름이 붙음), 나빠진 것은 두 장(배경을 못 찾은 불투명한 그림에서 가짜 얼굴로 한 사람이 두 폴더로 나뉨, 화면 왼쪽의 불꽃 효과 줄기가 캐릭터 쪽으로 옴(그림의 5%)), 나머지 여덟 장은 작은 조각 · 이름이 바뀌었을 뿐 좋고 나쁨이 없었습니다. 세 사람 셀카는 처음에 0.19에서 가운데 인물의 머리카락이 배경으로 가 나빠졌고, 그 원인을 고친 것이 0.20입니다(7.2). 고친 뒤 시험 그림 25장 · 합성 그림 65장의 결과는 0.19와 바이트 단위로 같습니다.

0.20과 비교(0.21): 흰 옷 · 흰 배경 문제를 고친 세 가지(단색 배경의 아래 테두리, 몸 자리 조각, 배경 번호 번짐)를 하나씩 이 300장에 돌려, 캐릭터 지도가 바뀐 그림을 모두 0.20과 나란히 놓고 판정했습니다. 앞의 두 가지로 61장이 바뀌어 22장이 나아지고(흰 셔츠 · 교복 · 치마, 코트 아랫자락, 검은 치마 · 재킷 · 다리가 돌아옴) 8장이 나빠졌으며(흑백 풍경의 덤불, 물 반사, 배경의 마스코트, 카드 금테 모서리, 탁자 아래 바닥이 캐릭터로 옴, 흘러내린 청록 머리가 배경으로 감, 결이 있는 두 장의 윤곽 둘레가 배경으로 감), 31장은 작은 조각만 바뀌었습니다. 윤곽 둘레가 배경으로 간 두 장은 영역 나누기의 배경 번호 번짐이 원인이라(배경 판정 결과는 0.20과 거의 같음), 이를 고치자 흰 머리 그림은 0.20보다 나아졌고(머리 · 코트 가장자리가 돌아옴), 결이 있는 보라 배경 그림은 머리 · 팔 가장자리가 돌아온 대신 배경 조각도 캐릭터 쪽으로 와 좋고 나쁨이 섞였습니다. 번짐 고치기는 148장을 바꿨고, 크게 바뀐 12장 중 4장이 나아지고(흰 고양이의 몸, 푸른 조명 속 두 사람의 머리, 설정화 세 사람의 윤곽 테두리, 흰 머리의 가장자리) 2장이 나빠졌으며(풍경의 나무 조각, 밤하늘 조각) 나머지는 가장자리 1~2px였습니다. 얼굴 · 캐릭터 폴더는 300장 모두 같습니다. 이름 지도는 영역이 바뀌며 146장에서 달라졌고, 5% 넘게 바뀐 37장을 다시 판정하니 8장은 나아지고 9장은 나빠져 좋고 나쁨이 비슷했습니다(위 표의 이름 · 틀린 이름). 시험 그림 25장에서는 ‘어두운 배경의 소녀’의 검은 원피스 · 소매가 돌아오고(배경 53.7 → 51.6%) 나머지는 가장자리가 0.1%p 안팎 바뀌었습니다. 윤곽을 그린 8장 평균으로 찾은 배경 52.41 → 52.36%, 지킨 캐릭터 96.11 → 96.14%이고, 합성 그림 65장의 점수는 그림마다 모두 같습니다. 같은 10장을 0.20과 번갈아 재면 1~4% 더 걸립니다.

얼굴 표시와 0.22: 얼굴 찾기를 고치려고, 두 눈이 보이는 얼굴이 있는 213장에서 0.21이 찾은 얼굴 413개를 하나씩 잘라 진짜 · 가짜를 표시하고, 놓친 얼굴이 있는 107장은 점수 7 이상인 후보를 모두 그려 놓친 얼굴 163개가 어디서 빠졌는지 나눴습니다. 75개는 제자리 후보가 점수 9~11로 문턱 바로 아래였고, 24개는 7~9, 6개는 문턱을 넘었지만 얼굴다움 거르기(4.5의 8)에서 빠졌고, 1개는 겹침 제거로 빠졌습니다. 57개는 제자리에 후보가 없었습니다(아주 작은 얼굴 11개, 아주 큰 얼굴 2개, 나머지는 옆으로 누운 얼굴 · 안경 · 눈을 가린 앞머리 · 조명 · 두꺼운 선 그림체). 자리를 아는 진짜 얼굴 298개를 정답으로, 후보의 여러 특징이 진짜와 가짜를 얼마나 가르는지(AUC) 재서 입 · 눈 대비 · 아래 눈꺼풀 · 흰 피부 조정을 골랐고(4.5의 9), 그림을 번갈아 둘로 나눠도 두 쪽 모두 같은 방향으로 나아졌습니다(찾은 얼굴 95 → 97, 97 → 102개, 가짜 160 → 131, 144 → 118개, 얼굴다움 거르기 전 후보로 잰 값). 최종 결과를 자리를 맞춰 재면(가운데 거리 $0.5d$ 안, 크기 0.5~2배) 이름 · 폴더용 얼굴은

  찾은 진짜 얼굴(355개 중) 가짜 얼굴 폴더 수가 맞는 그림
0.21 193 310 232
0.22 196 232 236

입니다(폴더는 사람 판정 기준: 가짜 얼굴로 두 폴더로 나뉘던 한 사람 그림 6장이 한 폴더가 되고, 두 사람 그림 2장이 한 폴더로 합쳐짐. 한 사람 그림 235장 중 227장, 두 사람 이상 65장 중 9장). 이름 지도가 바뀐 52장을 0.21과 나란히 놓고 보니 24장이 나아지고(옷 · 소품 · 글자 · 무기에 붙던 “머리카락” · “피부”가 빠지고, 금발 · 검은 머리 · 얼굴에 맞게 붙음) 12장이 나빠졌으며(날개 · 옷 · 가구 · 배경 조각에 새로 붙거나, 맞던 머리카락 이름이 빠짐) 16장은 좋고 나쁨이 없었습니다. 배경 판정은 원래 얼굴을 그대로 써서 300장 · 시험 그림 25장 · 합성 그림 65장의 캐릭터 영역이 0.21과 바이트 단위로 같습니다. 시험 그림 25장에서 가짜 얼굴은 35 → 27개, 찾은 얼굴은 31개 중 30개 그대로이고, 캐릭터 윤곽을 그린 두 사람 그림 네 장의 폴더 정확도는 99.2 → 99.1%(유카타) 말고는 같습니다. 합성 그림에서는 가짜 얼굴 8 → 5개, 투명 배경 8장에서 2 → 1개이고 나머지 점수는 같습니다.

0.24: 이름 · 폴더용 얼굴의 전체 틀(위치 · 방향 · 크기 · 점수)을 300장 모두 저장해, 캐릭터 얼굴 고르기 규칙을 바꿔 가며 폴더 수를 사람이 센 얼굴 수와 비교했습니다 (저장한 얼굴로 흉내 낸 폴더 수는 실제 결과와 300장 모두 같음). 높이 조건 $4d$가 가장 많이 맞았고(바뀐 5장 모두 폴더 수가 사람이 센 수 쪽으로), 두 사람 그림 두 장이 맞게 나뉘어 폴더 수가 맞는 그림이 238장이 됐습니다. 피부 이름이 하나도 없던 그림에서 볼 · 콧등 파츠가 왜 “피부”가 되지 못했는지 나눠 보니, 얼굴을 찾은 147장 중 64장이 색 조건(채도 7% 미만의 옅은 피부)이었습니다. 옅은 피부를 넓이 조건과 함께 인정하자 14장에 새로 붙어 12장은 얼굴 · 손에 맞게, 2장은 섞여 붙었습니다(넓이 조건이 없으면 29장 중 8장이 흰 옷 · 캐릭터 전체까지).

0.25: 0.24의 이름 지도를 300장 모두 원본과 나란히 놓고 다시 보니, 이름 · 폴더용 얼굴을 하나도 찾지 못한 85장 중 43장에 “피부”가 붙어 있었습니다. 얼굴로 확인한 이름이 아니라 살색 밑색에 붙는 색 이름이었는데(한 그림에 “피부”부터 “피부 11”까지), 43장 중 얼굴 · 손에 맞게 붙은 것은 10장뿐이고 7장은 피부와 머리카락 · 옷에 섞여 붙었으며, 24장은 틀렸습니다(금발 · 옅은 갈색 머리, 해바라기 밭, 방 안, 도시 야경, 로봇 · 너구리 · 괴물, 과자 · 초콜릿, 우체통). 나머지 2장은 알아보기 어려운 작은 조각이었습니다. 살색 색 이름을 “베이지 · 살구”로 바꾸자 이 43장의 “피부”가 모두 빠졌고, 캐릭터 · 배경 지도와 재현은 85장 모두 0.24와 같습니다. 얼굴을 찾은 그림은 원래도 얼굴로 확인한 파츠만 “피부”였으므로 바뀌지 않습니다. 시험 그림 25장 · 합성 그림 65장 · 이름 정답 합성 그림 48장의 결과(이름 지도 포함)와 실제 화면으로 저장한 PSD 28개도 0.24와 바이트 단위로 같습니다. 머리카락 이름이 없는 얼굴을 늘리려고 피부와 앞머리를 떼어 두는 두 방법도 이 300장으로 시험했지만 나아진 것과 나빠진 것이 비슷하거나 나빠진 것이 많았습니다(7.5).

11.5 시험 그림 666장(0.25부터)

위의 시험 그림 25장 중 코드로 그린 예제 그림을 뺀 24장, 처음 보는 픽시브 AI 생성 그림 300장에 픽시브 AI 생성 그림 342장을 더해 한 묶음으로 씁니다. 더한 342장은 2024년 1월 ~ 2026년 9월의 일간 · 주간 · 월간 · 신인 순위에서 50위 안에 든 전연령 일러스트만 골랐고 (10위 안 88장, 25위 안 209장), 작가는 모두 다르며 앞의 300장과도 겹치지 않습니다. 같은 작품 · 태그는 6장까지만 넣었습니다. 후보 966장을 한 장씩 보고 만화 · 글자 위주 그림과 노출이 있는 그림을 뺀 뒤, 아래 조건이 고르게 섞이도록 골랐습니다. 화질은 원본(긴 변 2000~7378px) · 1200px 본 · 540px 저화질 본을 114장씩 받았습니다(프로그램 기본 처리 해상도는 긴 변 2048px). 666장 모두 사람이 조건을 표시했고, 색감은 색채도(Hasler–Süsstrunk)로 세 구간으로 나눴습니다. 그림은 저장소에 넣지 않았습니다.

조건 그림 수
캐릭터 수 한 명 406 · 두 명 이상 212 · 캐릭터 없음(풍경 · 물건 · 동물) 48
가림 안 가림 553 · 얼굴이 가려짐(뒷모습 · 손 · 가면) 57 · 몸이 가려짐(물건 · 다른 캐릭터 · 효과) 56
초점 캐릭터에 맞음 639 · 캐릭터가 흐림 27
기울기 똑바름 451 · 오른쪽 83 · 크게(45° 이상 · 옆으로 · 거꾸로) 82 · 왼쪽 50
자세 얼굴 · 상반신 196 · 서 있음 170 · 그 밖(떠 있음 · 뜀 · 웅크림) 144 · 앉음 115 · 누움 41
색감 컬러풀 235 · 중간 230 · 단조로움 201
화질(넣은 파일의 긴 변) 2000px 이상 115 · 900~2000px 431 · 900px 미만 120

0.25로 666장을 모두 분해하면 오류 · 멈춤은 없고, 재현 PSNR은 가장 낮은 것 44.6 dB · 중앙값 54.9 dB입니다(4장을 동시에 돌려 한 장 중앙값 8.6초, 가장 긴 것 41초). 조건별로는 사람 판정 전의 자동 값만 보면(얼굴을 하나라도 찾은 그림 · “눈 · 피부 · 머리카락” 이름이 하나라도 붙은 그림의 비율),

  그림 수 얼굴을 찾음 이름이 붙음
전체 666 75% 61%
캐릭터가 흐림 27 41% 30%
얼굴이 가려짐 57 63% 47%
떠 있음 · 뜀 · 웅크림 144 59% 48%
크게 기울어짐 82 70% 52%
단조로운 색감 201 74% 52%
캐릭터 없음 48 44% 25%

입니다. 캐릭터가 없는 그림에서 찾은 “얼굴”은 모두 가짜이므로, 이 값에는 가짜 얼굴도 들어 있습니다. 흐린 캐릭터 · 가린 얼굴 · 기운 몸에서 얼굴을 덜 찾는 것은 얼굴 찾기가 또렷한 두 눈과 두 눈이 거의 수평인 얼굴(기울기 약 35°에서 그 점수가 0)을 단서로 쓰기 때문입니다(4.5, 10).

배경 분리율(0.25): 666장의 배경 결과를 모두 원본과 나란히 놓고 사람이 판정했습니다(픽시브 AI 생성 그림 300장은 0.21 판정을 그대로 씀. 0.21과 0.25의 배경 지도는 300장 모두 같음). 캐릭터가 없는 16장을 뺀 650장에서, 비율 𝑝의 그림 단위 표준편차는 $\sqrt{p(1-p)}$, 표준오차는 $\sqrt{p(1-p)/n}$, 오차범위는 $z \times \text{표준오차}$이고, 신뢰구간은 윌슨 점수 구간입니다(90 · 95 · 99%에서 𝑧는 1.645 · 1.960 · 2.576).

풀이 — 왜: 배경 분리율에 그림 수에 따른 불확실성을 함께 적기 위한 식입니다(11.1과 같음). 원리: 그림 단위 표준편차 $\sqrt{p(1 - p)}$를 $\sqrt n$으로 나눈 표준오차에 𝑧를 곱한 것이 오차범위이고, 구간은 0 · 1 근처에서도 맞는 윌슨 구간입니다. 참고: R56 Wilson 1927 · R78 Agresti 2013

판정 그림 수 비율 표준편차 표준오차 95% 오차범위 · 신뢰구간 90% 99%
캐릭터 온전 + 배경 대부분 분리 186 28.6% 45.2%p 1.77%p ±3.5%p · 25.3~32.2% 25.8~31.6% 24.3~33.4%
캐릭터 온전(배경이 남아도) 387 59.5% 49.1%p 1.93%p ±3.8%p · 55.7~63.2% 56.3~62.7% 54.5~64.4%
큰 손실 없음(머리카락 끝 · 손 정도까지) 450 69.2% 46.2%p 1.81%p ±3.5%p · 65.6~72.7% 66.2~72.1% 64.4~73.7%
캐릭터의 큰 부분이 배경으로 감 188 28.9% 45.3%p 1.78%p ±3.5%p · 25.6~32.5% 26.1~31.9% 24.6~33.7%
배경을 못 찾음 12 1.8% 13.5%p 0.53%p ±1.0%p · 1.1~3.2% 1.2~2.9% 0.9~3.8%

출처마다 크게 다릅니다. “큰 손실 없음”은 시험 그림 23/24(95.8%, 95% 구간 79.8~99.3%), 픽시브 AI 생성 그림 300장 76.5%(71.4~81.0%), 어려운 조건을 일부러 고루 넣은 픽시브 AI 생성 그림 342장 60.7%(55.3~65.8%)이고, 두 픽시브 AI 생성 그림 묶음의 차이는 우연으로 보기 어렵습니다(카이제곱 $p < 0.0001$). 그러므로 위의 전체 비율은 이 666장 구성에서의 값이며, 그림을 어떻게 고르느냐에 따라 달라집니다. 판정은 한 사람이 했고 판정자 사이 일치도는 재지 않아, 신뢰구간은 표본 오차만 나타냅니다.

픽셀 정답이 있는 그림에서 그림별 값의 평균 · 표준편차와 𝑡 분포 신뢰구간(경계 3px 띠 제외)은

  그림 수 평균 표준편차 95% 신뢰구간
AI 생성 그림: 캐릭터 IoU 8 74.4% 10.1%p 66.0~82.8%
AI 생성 그림: 지킨 캐릭터 8 96.6% 3.2%p 93.9~99.2%
AI 생성 그림: 찾은 배경 8 53.6% 26.8%p 31.2~75.9%
합성 그림: 지킨 캐릭터 65 97.9% 8.0%p 96.0~99.9%
합성 그림: 찾은 배경 65 93.8% 16.5%p 89.7~97.9%

입니다. 캐릭터는 대부분 지키고, 찾는 배경의 양이 그림마다 크게 흔들립니다(AI 생성 그림 8장은 표본이 작아 구간이 넓음).

엄격한 분리율: 위 판정은 겹쳐 보기 한 장으로 본 것이라 작은 손실을 놓칩니다. 그래서 캐릭터 층만(배경 자리를 자홍으로) · 배경 층만(캐릭터 자리를 초록으로) 따로 크게 그린 시트로 “완전 분리” 186장과 “배경이 남음 · 작은 손실” 264장을 모두 다시 봤습니다. 윤곽 가장자리 1~2px 테만 허용하고, 머리카락 끝 · 손가락 · 소품 · 옷자락이 배경 층에 조금이라도 있으면 손실로 셌습니다. 다시 보니 “완전 분리” 186장 중 162장에 손실이나 남은 배경이 있었고, 24장(원래 판정 13%)과 “작은 손실” 판정 49장은 실제로는 캐릭터의 큰 부분이 배경 층에 있었습니다. 비율은 캐릭터가 있는 650장 기준이고, 구간은 정규 근사보다 넓은 클로퍼–피어슨 정확 구간입니다(본페로니는 세 기준을 함께 볼 때 전체 95%).

기준 그림 수 비율 표준편차 표준오차 95% 99% 99.9% 한쪽 95% 하한 본페로니(98.3%)
완벽 분리(손실 없음 + 남은 배경 없음) 24 3.7% 18.9%p 0.74%p 2.4~5.4% 2.1~6.0% 1.7~6.8% 2.6% 2.1~5.9%
캐릭터 무손실(배경은 남아도 됨) 87 13.4% 34.0%p 1.34%p 10.9~16.2% 10.1~17.2% 9.4~18.3% 11.2% 10.4~16.9%
큰 손실 없음(작은 조각 손실까지) 377 58.0% 49.4%p 1.94%p 54.1~61.8% 52.9~63.0% 51.5~64.3% 54.7% 53.2~62.6%

판정의 흔들림도 쟀습니다. 무작위 48장을 이전 판정을 보지 않고 다시 판정하니 “큰 손실 없음”은 90% 일치($\kappa = 0.56$)였지만, “캐릭터 무손실”은 81% 일치($\kappa = 0.29$)로 판정 자체가 흔들렸고(작은 조각이 손실인지 윤곽 테인지), “완벽 분리”는 두 번 모두 통과한 그림이 없었습니다. 두 번 모두 통과해야 인정하면 “캐릭터 무손실”은 $13.4\% \times 3/9 \approx 4.5\%$(부트스트랩 95% 0~9.0%), “큰 손실 없음”은 $58.0\% \times 39/40 \approx 56.5\%$(51.7~61.1%)입니다. 조건별로 “큰 손실 없음”이 가장 낮은 것은 얼굴이 가려진 그림과 몸이 가려진 그림(각 56장, 41.1%, 95% 28.1~55.0%)이고, “캐릭터 무손실”은 몸이 가려진 그림 3.6%, 왼쪽으로 기운 그림 4.0%, 저화질 7.0%가 가장 낮습니다. 출처별로는 시험 그림 79.2% · 픽시브 AI 생성 그림 300장 61.4% · 픽시브 AI 생성 그림 342장 53.4%입니다. 0.27에서는 완벽 분리 20장(3.1%), 캐릭터 무손실 104장(16.0%), 큰 손실 없음 384장(59.1%, 픽시브 AI 생성 그림 300장 62.4% · 342장 54.6%)입니다(아래 0.27). 0.29에서는 완벽 분리 19장(2.9%), 캐릭터 무손실 104장(16.0%), 큰 손실 없음 390장(60.0%, 95% 56.1~63.8%, 픽시브 AI 생성 그림 300장 62.4% · 342장 56.4%)입니다(아래 0.29). 0.31에서는 바뀐 563장을 0.30과 눈가림으로 다시 판정해, 캐릭터가 있다고 본 633장에서 큰 손실 없음이 351장(55.5%) → 445장(70.3%, 95% 66.6~73.8%)이 되었습니다 (같은 판정자 · 같은 판정 방식으로 두 판을 함께 본 값입니다. 따로 판정했던 0.29의 60.0%보다 이번 판정이 엄격해, 0.30 쪽이 55.5%로 나왔습니다. 아래 0.31). 픽셀 정답이 있는 그림을 “지킨 캐릭터 99% 이상 그리고 찾은 배경 90% 이상”으로 재면 합성 그림 65장 중 51장(78.5%, 95% 66.5~87.7%), 윤곽을 그린 AI 생성 그림 8장 중 0장(95% 0~36.9%)이 통과합니다.

11.6 새 342장만으로 검증(0.26)

시험 그림 24장과 픽시브 AI 생성 그림 300장은 규칙 · 문턱을 다듬을 때 결과를 보고 고친 그림이라 점수가 좋게 나올 수 있습니다. 그래서 규칙을 고칠 때 한 번도 쓰지 않은 픽시브 AI 생성 그림 342장만 따로 검증했습니다(구성은 위 표, 판정은 한 사람이 했고 판정자 사이 일치도는 재지 않음).

실제 화면: 342장을 모두 브라우저 화면에서 불러와(외부 요청 차단) 분리하고 PSD로 저장한 뒤, psd-tools로 다시 합성하고 ag-psd로 읽었습니다.

항목 결과
오류 · 외부 요청 0장(페이지 오류 · 콘솔 오류 · 외부 요청 모두 0)
층 구조 점검(이름 · 혼합 모드 · 클리핑 기반 · 빈 층 · 범위) 고친 뒤 0장(고치기 전 2장: 아래)
재현 PSNR(저장될 8비트 값) 가장 낮은 것 42.6 dB, 중앙값 54.2 dB
화면 합성기로 합성한 PSNR 가장 낮은 것 42.5 dB, 중앙값 52.8 dB
PSD: psd-tools 342장 모두 열림. 내장 병합 이미지 PSNR 가장 낮은 것 42.5 · 중앙값 52.8 dB, 층을 다시 합성한 PSNR 42.4 · 51.3 dB. 층 · 폴더 수가 화면과 모두 같음
PSD: ag-psd 342장 모두 읽힘. 병합 이미지 342장, 한글 층 이름 342장, 층 수가 화면과 모두 같음
화면에서 분리에 걸린 시간 · PSD 크기 한 장 중앙값 10.2초 · 가장 긴 것 44.6초(4장을 동시에), PSD 중앙값 8.6 MB · 가장 큰 것 45.6 MB
결정성(같은 그림을 새 페이지에서 두 번) 화질별 4장씩 12장 모두 바이트 단위로 같음. 보정 뒤 다시 나누기 캐시도 이상 없음

배경을 못 찾은 불투명한 그림 두 장에서 비어 있는 “배경” 층과 [배경] · [캐릭터] 폴더가 생겼습니다. 화면은 보정 마스크(칠한 곳이 없어도)를 늘 넘기는데, 코어가 마스크만 보고 빈 배경 지도를 만들었기 때문입니다. 코드로 직접 돌린 검증에는 마스크가 없어 드러나지 않았습니다. 칠한 픽셀이 있을 때만 배경 지도를 만들도록 고쳤고(0.26), 고친 뒤 두 장은 [채색] · [효과] · [선화]가 맨 위에 오며 빈 층이 없습니다. 나머지 층의 픽셀은 고치기 전과 같습니다. 배경을 못 찾은 불투명한 그림은 모두 10장이었고, 나머지 8장은 고친 뒤에 돌아 처음부터 빈 층이 없었습니다.

화면 검증에는 긴 변 2048px 이하로 줄여 JPEG(품질 95)로 다시 저장한 파일을, 코드로 직접 돌린 검증에는 줄이기만 한 무손실 픽셀을 넣었습니다. 그 압축 잡음만으로 배경을 찾는지가 342장 중 4장에서 갈렸고(한 장은 원본의 투명도가 한쪽에만 남아 따로 셈), 모두 문턱 바로 옆이었습니다 (장면 배경 넓이 6.0% 대 4.5%(문턱 5%), 89.3% 대 91.0%(문턱 90%), 색 분포 겹침 0.27 대 0.38 · 0.25 대 0.33(문턱 0.3)). 파츠 수가 같은 그림은 342장 중 87장이라, 결과는 같은 그림의 작은 잡음에도 조금씩 달라집니다(같은 입력이면 늘 같음).

얼굴 · 이름 · 폴더: 11의 300장과 같은 기준(두 눈이 보이는 사람 얼굴 수와 그중 찾은 수, 가짜 얼굴, 머리카락 · 피부 이름, 틀린 이름, 캐릭터 폴더 수)으로 342장을 모두 판정했습니다. 구간은 클로퍼–피어슨 95%입니다.

항목 새 342장(0.25 · 0.26) 참고: 300장(0.21 판정)
두 눈이 보이는 얼굴을 찾음 356개 중 204개(57.3%) 355개 중 189개(53%)
얼굴이 하나인 그림에서 그 얼굴을 찾음 180장 중 103장(57.2%, 49.6~64.6%) 148장 중 96장
가짜 얼굴 326개(그림당 0.95개), 있는 그림 186장(54.4%, 48.9~59.8%) 294개(그림당 1개꼴)
머리카락 이름(진짜 얼굴을 찾은 150장) 대부분 43 · 일부 59 · 없음 48 → 붙음 68.0%(59.9~75.4%) 147장 중 93장(63%)
피부 이름(같은 150장) 대부분 82 · 일부 11 · 없음 57 → 붙음 62.0%(53.7~69.8%) 147장 중 52장(35%)
틀린 이름이 없는 그림 342장 중 214장(62.6%, 57.2~67.7%). 틀린 곳은 128장에서 188곳 300장 중 193장(107장에서 133곳)
캐릭터 폴더 수가 맞음 342장 중 277장(81.0%, 76.4~85.0%) 300장 중 232장(0.24는 238장)
　한 사람(또는 두 눈 얼굴 없음) 그림 281장 중 270장(96.1%, 93.1~98.0%). 11장은 가짜 얼굴로 둘 이상으로 나뉨 235장 중 221장
　두 사람 이상 그림 61장 중 7장(11.5%, 4.7~22.2%). 54장은 모두 폴더가 모자람 65장 중 11장
폴더 맞음 + 틀린 이름 없음 342장 중 179장(52.3%, 46.9~57.7%)  

피부 이름이 크게 는 것은 0.22(가짜 얼굴 거르기) · 0.24(창백한 피부) 뒤의 결과이기 때문입니다(300장 판정은 0.21).

두 묶음은 모두 그 버전이 처음 본 그림이라, 차이를 검정했습니다(예이츠 카이제곱 · 피셔 정확 검정, 차이의 구간은 뉴컴, 식은 위). 새 342장에 가린 얼굴 · 기운 몸 · 여러 사람 · 저화질을 일부러 더 넣었으므로, 조건(인원 · 가림 · 초점 · 기울기 · 자세 · 색감 · 화질 · 긴 변)을 함께 넣은 로지스틱 회귀의 오즈비도 적었습니다.

항목(그림 단위) 0.21 · 300장 0.26 · 새 342장 차이(95%) 예이츠 $\chi^2$ · 𝑝 조건을 맞춘 오즈비(95%) · 𝑝
피부 이름(얼굴을 찾은 그림) 52/147(35.4%) 93/150(62.0%) +26.6%p(+15.3~+37.0) 20.01 · < 0.0001 6.33(3.00~13.38) · < 0.0001
머리카락 이름(얼굴을 찾은 그림) 93/147(63.3%) 102/150(68.0%) +4.7%p(−6.0~+15.4) 0.54 · 0.46 1.67(0.81~3.47) · 0.17
캐릭터 폴더 수가 맞음 232/300(77.3%) 277/342(81.0%) +3.7%p(−2.6~+10.0) 1.09 · 0.30 1.76(0.89~3.46) · 0.10
틀린 이름이 없음 193/300(64.3%) 214/342(62.6%) −1.8%p(−9.1~+5.7) 0.14 · 0.70 0.72(0.46~1.13) · 0.15
얼굴이 하나인 그림에서 그 얼굴을 찾음 96/148(64.9%) 103/180(57.2%) −7.6%p(−17.9~+3.0) 1.68 · 0.19 1.06(0.54~2.10) · 0.86
가짜 얼굴이 없음 143/300(47.7%) 156/342(45.6%) −2.1%p(−9.7~+5.6) 0.19 · 0.66 0.79(0.50~1.24) · 0.30

우연으로 보기 어려운 향상은 피부 이름 하나입니다(35.4% → 62.0%, 1.75배). 나머지는 모두 $p > 0.05$라 달라졌다고 할 근거가 없습니다. 얼굴 단위로 센 찾은 비율(위 표 53% → 57.3%)도 피셔 $p = 0.29$이고, 가짜 얼굴은 그림당 0.98 → 0.95개(정확 $p = 0.75$)입니다. 얼굴이 하나인 그림에서 찾은 비율이 낮아진 것은 조건을 맞추면 오즈비 1.06으로 사라지므로, 새 그림에 어려운 조건이 많아서입니다.

틀린 이름은 가짜 얼굴(스티커 · 인형 · 손 · 옷 무늬)이 캐릭터 얼굴로 뽑혀 그 둘레에 붙는 경우와, 피부 · 머리카락 파츠가 같은 색의 옷 · 소품 · 배경까지 합쳐진 경우가 대부분이었습니다.

조건별로는 흐린 캐릭터(얼굴 8개 중 2개), 앉은 자세(46.0%), 오른쪽 · 크게 기운 몸(47%)에서 얼굴을 덜 찾았고, 조건 표에서 두 사람 이상으로 고른 그림(125장. 두 눈이 보이는 얼굴이 둘 이상인 그림은 그중 60장이고, 나머지는 뒷모습 · 옆얼굴이라 폴더 하나가 정답)의 폴더가 맞는 비율이 53.6%(44~63%)로 가장 낮았습니다. 색감 · 화질에 따른 차이는 구간 안에서 겹쳤습니다(얼굴 54~61%, 폴더 75~87%).

얼굴을 찾은 그림과 배경 결과: 얼굴을 찾은 그림은 배경 결과도 좋습니다. 두 눈이 보이는 얼굴이 있는 그림에서 엄격한 분리율의 “큰 손실 없음”은

묶음 얼굴을 찾음 두 눈 얼굴이 있는데 못 찾음 차이(95%) · 배율 · 오즈비 예이츠 $\chi^2$ · 𝑝 · 피셔 𝑝
새 342장 100/150(66.7%, 58.5~74.1%) 41/91(45.1%, 34.6~55.8%) +21.6%p(+8.7~+33.7) · 1.48배(1.15~1.91) · 2.44(1.43~4.16) 10.03 · 0.0015 · 0.0012
300장(0.21 판정) 95/147(64.6%) 33/66(50.0%) +14.6%p(+0.4~+28.4) · 1.29배 · 1.83(1.01~3.29) 3.48 · 0.062 · 0.050
합침 195/297(65.7%) 74/157(47.1%) +18.5%p(+9.0~+27.8) · 1.39배(1.16~1.68) · 2.14(1.45~3.18) 13.84 · 0.0002 · 0.0002

이고, 캐릭터의 큰 부분이 배경으로 간 그림도 새 342장에서 못 찾음 52.7% → 찾음 31.3%($p = 0.0016$)입니다. 두 눈이 보이는 얼굴이 없는 그림은 새 342장 87장 중 34장(39.1%)입니다. 얼굴을 찾은 그림이 원래 쉬운 조건(한 사람, 가리지 않음, 똑바른 자세, 고화질)에 몰려서일 수 있어 조건을 맞춰 다시 쟀지만, 조건 하나씩 층을 나눈 맨텔–헨젤 오즈비가 2.10~2.28(인원 · 가림 · 초점 · 기울기 · 자세 · 색감 · 화질 · 출처, 모두 $p \le 0.0004$), 모든 조건과 긴 변을 함께 넣은 로지스틱 회귀가 2.16(1.41~3.31, $p = 0.0004$)으로 그대로였습니다. 이 차이는 우연이나 판정한 조건으로는 설명되지 않습니다.

그러나 이 차이는 얼굴을 쓰는 배경 단계(3.5의 8 · 9)가 만든 것이 아닙니다. 두 단계에 얼굴을 넘기지 않은 코어로 666장을 모두 다시 돌렸습니다 (8의 되돌리기에 빈 얼굴 목록, 9는 건너뜀. 파츠 이름 · 폴더는 그대로). 캐릭터 지도가 달라진 그림은 캐릭터가 있는 650장 중 390장이고, 얼굴이 캐릭터로 지킨 픽셀이 캐릭터의 0.1% 이상인 그림(얼굴을 켜야 큰 손실을 피했을 수 있는 그림)과, 얼굴이 배경으로 더 보낸 픽셀이 그림의 0.1% 이상인 큰 손실 그림(얼굴을 꺼야 큰 손실이 사라질 수 있는 그림) 253장을 모두 켬 · 끔 나란히 놓고 다시 판정했습니다. 나머지 그림은 바뀐 곳이 그보다 작아 판정이 그대로라고 봤습니다.

캐릭터가 있는 그림 얼굴 단계 켬 얼굴 단계 끔 얼굴 덕에 통과 · 얼굴 탓에 탈락 맥니마 정확 𝑝
전체 650장 377(58.0%) 383(58.9%) 5 · 11 0.21
얼굴을 찾음 297장 195(65.7%) 196(66.0%) 4 · 5 1.00
두 눈 얼굴이 있는데 못 찾음 157장 74(47.1%) 75(47.8%) 1 · 2 1.00
두 눈 얼굴 없음 172장 89(51.7%) 93(54.1%) 0 · 4 0.13

얼굴 단계를 꺼도 찾음 · 못 찾음의 차이는 66.0% 대 47.8%(+18.2%p, $\chi^2 = 13.43,\ p = 0.0002$)로 그대로입니다. 그러므로 얼굴을 찾은 그림의 배경이 좋은 것은 얼굴 단계 덕분이 아니라, 얼굴을 찾기 쉬운 그림이 배경도 나누기 쉬워서입니다. 판정한 조건(인원 · 가림 · 초점 · 기울기 · 자세 · 색감 · 화질 · 크기)을 맞춰도 남으므로, 그 밖의 어떤 성질이 둘을 함께 가르는지는 아직 재지 않았습니다. 얼굴 단계가 “큰 손실 없음”을 바꾼 그림은 16장뿐이고, 지킨 쪽(앞머리 · 불꽃 검 · 재킷 · 기타)보다 가져간 쪽(검은 머리카락 · 흰 드레스 · 다리 · 장갑 낀 손 · 그림 속 작은 인물 전체)이 많았습니다. 이 16장 중 5장(지킨 쪽 3장 · 가져간 쪽 2장)은 손실이 큰지 애매한 경계 사례라, 지킨 쪽은 2~5장, 가져간 쪽은 9~11장으로 볼 수 있습니다.

얼굴 단계가 실제로 하는 일은 배경을 더 찾는 것입니다. 얼굴이 배경으로 더 보낸 곳은 그림 넓이의 1% 이상인 그림이 222장, 5% 이상이 60장이고, 픽셀로 모두 더하면 최종 배경의 3.3%를 이 단계가 찾았습니다(지킨 캐릭터는 최종 캐릭터의 0.34%). 다시 본 253장을 눈으로 비교하면 얼굴 단계를 켠 쪽이 나은 그림 115장, 못한 그림 48장, 섞임 56장, 차이가 거의 없는 그림 34장이라 나은 쪽이 우연으로 보기 어렵게 많습니다(부호 검정 $p < 0.0001$). 얼굴을 찾은 그림에서는 62장 대 20장($p < 0.0001$)이지만, 진짜 얼굴을 못 찾았거나 두 눈 얼굴이 없는 그림(가짜 얼굴이 쓰임)에서는 46장 대 28장($p = 0.047$)으로 차이가 겨우 문턱을 넘습니다. 새 342장 전체의 “큰 손실 없음”은 328장 중 175장(53.4%, 47.8~58.9%)입니다.

세부 조건별 결과(0.29): 위 조건 표는 그림을 고를 때 썸네일을 보고 붙인 것이라 굵습니다. 666장을 원본 크기로 다시 보며 조건을 12칸으로 나눠 다시 표시했습니다. 한 그림이 여러 값을 가질 수 있는 칸(가림 위치 · 가린 것 · 효과 · 소품)도 있습니다.

칸 값
인원 · 크기 캐릭터 수(0~5명 이상), 가장 큰 캐릭터가 얼굴 클로즈업 · 상반신 · 무릎 위 · 전신 · 작은 인물(그림 높이의 1/3 미만)
얼굴 방향(정면 · 비스듬히 · 옆얼굴 · 뒷모습 · 사람 얼굴 아님), 눈(두 눈 뜸 · 두 눈 감음 · 윙크 · 가려짐)
가림 가린 곳(얼굴 · 위(머리 · 어깨) · 가운데(몸통 · 팔) · 아래(허리 아래)), 가린 것(손 · 머리카락 · 소품 · 다른 캐릭터 · 효과 · 빛 · 앞의 물체 · 글자 · 틀)
초점 캐릭터에 맞음 · 앞이 흐림 · 뒤에 맞음(캐릭터가 흐림) · 전체가 흐림
기울기 기운 것(없음 · 캐릭터만 · 배경만 · 그림 전체), 정도(10~45° · 45° 넘음 · 옆으로 · 거꾸로), 방향(머리가 왼쪽 · 오른쪽)
자세 서 있음 · 앉음 · 무릎 꿇음 · 누움 · 엎드림 · 떠 있음 · 뜀 · 웅크림 · 얼굴 · 상반신만, 허리(구부림 · 폄 · 뒤로 젖힘), 시점(눈높이 · 위에서 · 아래에서)
그림체 칠(셀 · 부드러운 디지털 · 두꺼운 칠 · 붓 · 수채 · 파스텔 · 흑백 · 만화 · 스케치 · 평면), 선(어두운 선 · 색 선 · 선 없음 · 굵은 윤곽)
배경 흰색 · 단색 · 그라데이션 · 무늬 · 선으로 그린 장면 · 칠한 장면 · 흐린 장면 · 어두운 단색 · 여러 칸, 캐릭터와 색이 비슷한 곳이 있는지
머리 색(검정 · 흰색 · 은색 · 금색 · 갈색 · 유채색), 길이(허리 · 어깨 · 짧음)
효과 빛 · 글로우 · 반짝이 · 속도선 · 글자 · 로고 · 틀 · 카드 테두리 · 질감 덮개 · 색수차
조명 보통 · 어두운 장면 · 역광 · 강한 그림자 · 빛 얼룩 · 색 조명
소품 · 모습 무기 · 우산 · 악기 · 동물 귀 · 꼬리 · 뿔 · 날개 · 로봇 · 갑옷 · 사람이 아닌 캐릭터

다시 보니 고를 때 “캐릭터가 흐림”으로 둔 27장 중 15장은 캐릭터에 초점이 맞아 있었습니다. 배경만 기울어진 그림은 없었고, 3D · 반실사 그림은 1장이라 표에서 뺐습니다.

아래 표의 값은 0.29의 결과입니다(얼굴 · 폴더는 0.26과 같고, 배경은 0.27 · 0.29, 이름은 0.27 · 0.28 · 0.29에서 달라진 그림을 다시 판정함). 화질은 넣은 파일의 긴 변입니다. 0.31에서 크게 달라진 배경 결과(“큰 손실 없음”)는 아래 0.31의 조건별 표를 봅니다. 괄호 안은 그 지표를 잴 수 있는 그림 수입니다(얼굴 찾음은 두 눈이 보이는 얼굴이 있는 그림, 머리카락 · 피부 이름은 진짜 얼굴을 찾은 그림, 배경은 캐릭터가 있는 그림). 10장 미만이면 (통과 / 전체)로 적었습니다. ▲ ▼는 그 조건의 그림과 나머지 그림의 차이가 피셔 정확 검정에서 $p < 0.05$이고, 여러 조건을 한꺼번에 검정한 것을 벤야미니–호흐베르크로 보정해도 $q < 0.05$인 것(우연으로 보기 어려움), △ ▽는 $p < 0.05$이지만 보정하면 사라지는 것입니다. 식은 위에 있습니다.

조건 그림 얼굴 찾음 머리카락 이름 피부 이름 틀린 이름 없음 폴더 맞음 큰 손실 없음 캐릭터 무손실
전체 666 67.6% (478) 71.8% (323) 57.3% (323) 65.2% 79.9% 60.0% (650) 16.0% (650)
화질 · 고화질(긴 변 2000px 이상) 115 57%▽ (75) 74% (43) 53% (43) 66% 87%△ 57% 10%
중간(900~2000px) 425 71%△ (315) 75% (224) 58% (224) 65% 78% 64%△ 19%▲
저화질(900px 미만) 126 64% (88) 57%▽ (56) 55% (56) 64% 81% 50%▽ 10%
색감 · 컬러풀 235 74%△ (174) 82%▲ (128) 61% (128) 63% 81% 65% 19%
중간 230 66% (167) 71% (110) 65% (110) 67% 78% 56% 14%
단조로움 201 62% (137) 58%▼ (85) 42%▽ (85) 66% 81% 59% 15%
인원 · 캐릭터 없음 48 — — — 77% 98%▲ 64% 33%△
한 명 403 66% (298) 73% (198) 59% (198) 65% 96%▲ 58% 15%
두 명 126 66% (103) 74% (68) 60% (68) 63% 55%▼ 63% 16%
세 · 네 명 60 74% (53) 59% (39) 54% (39) 62% 30%▼ 67% 15%
다섯 명 이상 29 75% (24) 78% (18) 33%▽ (18) 59% 34%▼ 55% 14%
크기 · 얼굴 클로즈업 9 (3/6) (1/3) (3/3) (5/9) (9/9) (2/9) (0/9)
상반신 184 74%△ (154) 75% (114) 54% (114) 60% 83% 59% 14%
무릎 위 170 67% (138) 74% (92) 63% (92) 66% 80% 61% 10%▽
전신 236 63% (177) 68% (111) 53% (111) 66% 73%▼ 61% 19%
작은 인물 19 (3/3) (2/3) (3/3) 74% 84% 63% 26%
얼굴 방향 · 정면 390 71%▲ (349) 73% (249) 61%△ (249) 59%▼ 77%▽ 64%△ 15%
비스듬히 176 57%▼ (125) 65% (71) 45%▽ (71) 76%▲ 77% 52%▽ 12%
옆얼굴 27 (3/4) (3/3) (2/3) 63% 96%△ 52% 15%
뒷모습 8 — — — (4/8) (8/8) (7/8) (3/8)
사람 얼굴 아님 17 — — — 65% 100%△ 44% 31%
눈 · 두 눈 뜸 460 71%▲ (402) 71% (286) 57% (286) 64% 78%▽ 61% 15%
두 눈 감음 68 48%▽ (33) 69% (16) 62% (16) 65% 74% 54% 10%
한쪽 감음(윙크) 56 46%▼ (41) 89% (19) 58% (19) 62% 79% 57% 12%
눈이 가려짐 9 (2/2) (2/2) (1/2) (7/9) (9/9) (7/9) (1/9)
가림 · 안 가림 211 74% (149) 72% (110) 55% (110) 66% 78% 65% 24%▲
얼굴이 가려짐 51 56% (34) 68% (19) 32%▽ (19) 63% 92%△ 37%▼ 0%▼
위(머리 · 어깨)가 가려짐 2 (1/1) (1/1) (1/1) (1/2) (1/2) (1/2) (0/2)
가운데(몸통 · 팔)가 가려짐 356 66% (295) 72% (194) 58% (194) 63% 78% 60% 10%▼
아래(허리 아래)가 가려짐 22 59% (17) 60% (10) 80% (10) 73% 86% 55% 23%
가린 것 · 손 204 69% (177) 74% (123) 59% (123) 63% 81% 62% 10%▽
머리카락 11 (3/7) (1/3) (1/3) 73% 91% 36% 9%
소품 149 63% (118) 76% (74) 58% (74) 69% 89%▲ 54% 9%▽
다른 캐릭터 86 65% (68) 73% (44) 59% (44) 56% 48%▼ 64% 9%
효과 · 빛 25 58% (19) 73% (11) 55% (11) 60% 88% 56% 8%
앞의 물체 28 77% (22) 65% (17) 53% (17) 64% 82% 54% 14%
글자 · 틀 7 (4/4) (4/4) (3/4) (5/7) (6/7) (4/7) (3/7)
초점 · 캐릭터에 맞음 604 68% (474) 72% (320) 57% (320) 64%▽ 78%▼ 60% 15%▽
앞이 흐림(전경 초점 밖) 12 (3/4) (3/3) (2/3) 83% 92% 33% 17%
뒤에 맞음(캐릭터가 흐림) 2 — — — (2/2) (2/2) (2/2) (2/2)
기울기 대상 · 똑바름 496 69% (394) 72% (273) 58% (273) 64% 77%▼ 60% 16%
캐릭터만 기울어짐 85 59% (58) 68% (34) 53% (34) 67% 87% 55% 9%
그림 전체가 기울어짐 37 62% (26) 81% (16) 56% (16) 57% 76% 73% 16%
기울기 정도 · 덜 기울어짐(10~45°) 90 63% (67) 74% (42) 55% (42) 63% 82% 58% 11%
상당히 기울어짐(45° 넘음 · 옆 · 거꾸로) 32 47% (17) (5/8) (4/8) 66% 88% 69% 12%
기울기 방향 · 머리가 왼쪽으로 59 76% (34) 65% (26) 46% (26) 64% 83% 63% 10%
머리가 오른쪽으로 63 48%▼ (50) 79% (24) 62% (24) 63% 84% 59% 13%
자세 · 서 있음 178 74% (129) 63%▽ (95) 59% (95) 70% 70%▼ 61% 16%
앉음 114 59%▽ (92) 72% (54) 63% (54) 65% 83% 55% 17%
무릎 꿇음 11 (6/8) (4/6) (3/6) 73% 82% 60% 20%
누움 30 50% (20) 60% (10) 40% (10) 63% 87% 73% 13%
엎드림 3 (1/3) (1/1) (1/1) (3/3) (3/3) (3/3) (0/3)
떠 있음 · 뜀 · 웅크림 87 61% (64) 82% (39) 54% (39) 59% 72% 67% 14%
얼굴 · 상반신만 195 73% (162) 76% (118) 56% (118) 61% 84% 55% 14%
허리 · 구부림 41 60% (30) 78% (18) 72% (18) 76% 90% 56% 22%
허리 폄 439 71%▲ (357) 71% (254) 57% (254) 63% 77%▽ 59% 15%
뒤로 젖힘 10 (6/8) (4/6) (5/6) 60% 90% 50% 0%
시점 · 눈높이 581 67% (452) 74%△ (304) 57% (304) 64% 78%▼ 60% 15%
위에서 내려다봄 24 71% (17) 42%▽ (12) 58% (12) 67% 88% 62% 8%
아래에서 올려다봄 13 (7/9) (3/7) (6/7) 77% 100% 38% 15%
칠 · 셀 채색 23 84% (19) 81% (16) 69% (16) 65% 48%▼ 74% 26%
부드러운 디지털 채색 335 74%▲ (283) 74% (209) 57% (209) 62% 79% 64%△ 12%▽
두꺼운 칠 · 붓 159 48%▼ (89) 70% (43) 53% (43) 69% 89%▲ 45%▼ 14%
수채 · 파스텔 68 70% (43) 63% (30) 57% (30) 68% 74% 62% 20%
흑백 · 만화 13 55% (11) (4/6) (3/6) 54% 69% 69% 23%
스케치 8 (2/6) (1/2) (0/2) (6/8) (7/8) (4/8) (1/8)
평면(명암 적음) 59 63% (27) 59% (17) 71% (17) 71% 81% 66% 33%▲
선 · 어두운 선 504 71%▲ (393) 73% (280) 56% (280) 62%▽ 78%▽ 65%▲ 15%
색 선 11 (6/8) (3/6) (4/6) 73% 55% 82% 45%△
선 없음 130 47%▼ (62) 62% (29) 62% (29) 75%△ 89%▲ 36%▼ 15%
굵은 윤곽 21 53% (15) (6/8) (6/8) 62% 86% 62% 19%
배경 · 흰색 · 단색 213 70% (150) 70% (105) 59% (105) 68% 76% 63% 16%
그라데이션 · 단순 무늬 56 61% (33) 70% (20) 55% (20) 64% 79% 62% 15%
무늬 · 장식 120 74% (104) 78% (77) 47%▽ (77) 67% 76% 68%△ 16%
선으로 그린 장면 44 73% (33) 79% (24) 75% (24) 50%▽ 84% 70% 28%△
칠한 장면 131 63% (87) 65% (55) 67% (55) 67% 85% 51%▽ 14%
흐린 장면 20 60% (15) (7/9) (5/9) 70% 85% 30%▽ 20%
어두운 단색 70 51%▽ (47) 79% (24) 50% (24) 63% 93%▲ 51% 7%▽
여러 칸 · 콜라주 12 (9/9) (4/9) (4/9) 50% 42%▼ 75% 33%
배경색 · 캐릭터와 배경 색이 비슷함 233 61%▽ (183) 71% (112) 47%▽ (112) 66% 82% 55% 12%▽
색이 다름 385 72%△ (295) 72% (211) 63%△ (211) 63% 76%▼ 62% 17%
머리색 · 검정 · 짙은 머리 151 65% (101) 70% (66) 59% (66) 69% 73%▽ 51%▽ 15%
흰색 · 은색 머리 125 64% (103) 53%▼ (66) 38%▼ (66) 68% 85% 63% 10%
금색 · 밝은 머리 78 74% (62) 85%△ (46) 63% (46) 65% 90%△ 65% 14%
갈색 머리 59 67% (49) 67% (33) 76%△ (33) 56% 73% 64% 22%
유채색 머리 197 69% (163) 80%△ (112) 60% (112) 61% 75% 61% 16%
머리 길이 · 긴 머리 392 68% (319) 70% (218) 56% (218) 65% 77%▽ 62% 13%▽
어깨 머리 92 68% (73) 74% (50) 58% (50) 66% 82% 41%▼ 10%
짧은 머리 126 64% (86) 78% (55) 64% (55) 60% 79% 66% 23%△
효과 · 빛 · 글로우 122 63% (95) 77% (60) 53% (60) 65% 85% 55% 9%▽
반짝이 · 파티클 140 69% (115) 81%△ (79) 52% (79) 61% 79% 63% 14%
속도선 · 번개 18 62% (13) (7/8) (6/8) 78% 83% 67% 17%
글자 · 로고 203 72% (148) 72% (106) 55% (106) 65% 72%▼ 68%△ 21%△
틀 · 카드 테두리 51 81% (43) 69% (35) 49% (35) 69% 53%▼ 82%▲ 35%▲
질감 덮개 10 (5/8) (3/5) (0/5) 60% 90% 40% 0%
색수차 · 글리치 10 (4/6) (3/4) (2/4) 80% 80% 50% 0%
효과 없음 263 65% (165) 66% (107) 61% (107) 65% 86%▲ 54%▽ 14%
조명 · 보통 조명 519 70%△ (377) 71% (265) 58% (265) 63%▽ 78% 64%▲ 17%
어두운 장면 72 52%▽ (50) 73% (26) 54% (26) 69% 81% 46%▽ 11%
역광 24 47% (15) (4/7) (5/7) 83% 92% 21%▼ 0%▽
강한 그림자 · 빛 얼룩 20 54% (13) (3/7) (4/7) 70% 100%△ 50% 25%
색 조명 · 네온 31 78% (23) 94%△ (18) 50% (18) 71% 81% 61% 16%
소품 · 모습 · 무기 64 65% (43) 82% (28) 57% (28) 66% 81% 59% 11%
우산 12 (4/8) (3/4) (1/4) 75% 100% 58% 33%
악기 12 60% (10) (4/6) (1/6) 92% 50%▽ 42% 8%
동물 귀 · 꼬리 · 뿔 135 76%△ (114) 63% (87) 54% (87) 63% 71%▼ 65% 15%
날개 52 63% (43) 67% (27) 44% (27) 52%▽ 85% 62% 12%
로봇 · 갑옷 18 (2/6) (2/2) (2/2) 78% 94% 71% 24%
사람이 아닌 캐릭터 54 53% (15) (7/8) (6/8) 67% 89% 63% 24%

조건들은 서로 겹칩니다(선 없는 그림에 두꺼운 칠이 많은 식). 그래서 32가지 조건을 한꺼번에 넣은 로지스틱 회귀(릿지 $\lambda = 1$)로, 다른 조건을 맞췄을 때 조건마다의 효과를 쟀습니다(0.27 결과로 잼). $p < 0.05$인 것은 아래뿐이고 나머지 조건(여러 사람, 기울기, 자세, 시점, 머리색, 효과, 배경 종류 …)은 모두 $p \ge 0.1$이었습니다.

지표 다른 조건을 맞춰도 낮추는 조건(오즈비, 95%, 𝑝)
큰 손실 없음(캐릭터가 있는 617장) 선 없음 0.39(0.22~0.71, 0.002) · 얼굴이 가려짐 0.39(0.21~0.72, 0.003) · 저화질 0.51(0.32~0.80, 0.004) · 어두운 장면 · 역광 0.55(0.30~0.99, 0.046)
얼굴 찾음(두 눈 얼굴이 있는 478장) 눈 감음 · 윙크 0.29(0.16~0.51, < 0.0001) · 평면 · 흑백 · 스케치 0.40(0.20~0.79, 0.009) · 두꺼운 칠 · 붓 0.45(0.23~0.89, 0.022) · 비스듬한 얼굴 0.53(0.33~0.85, 0.009)

얼굴 찾기가 또렷한 두 눈과 밝은 피부 위의 어두운 눈을 단서로 쓰고(4.5), 배경 찾기가 선을 경계로 쓰는 것(3.5)과 맞는 결과입니다. 머리가 오른쪽으로 기운 그림 · 앉은 자세는 따로 보면 얼굴을 덜 찾지만(위 표), 다른 조건을 맞추면 차이가 남지 않았습니다.

0.27: 평평한 배경에서 얼굴 기준 넓히기 생략: 위의 켬 · 끔 비교(253장)를 배경의 평평도(4.5, 얼굴 단계를 끈 결과의 배경으로 잼)로 나눠 보니, 평평도 0.6 미만인 186장에서는 얼굴 단계를 켠 쪽이 나은 그림 96장 · 못한 그림 28장이었지만, 0.6 이상인 67장에서는 19장 · 20장으로 이득이 없었고, 얼굴 단계 탓에 큰 손실이 생긴 11장 중 5장이 여기 있었습니다(얼굴 단계 덕에 큰 손실을 피한 5장은 모두 0.6 미만). 흰 · 단색 배경은 앞 단계가 이미 배경을 거의 다 찾아 더 찾을 것이 적은데, 얼굴 기준 넓히기가 배경과 같은 색의 캐릭터 부분(흰 드레스, 검은 머리카락)을 가져가기 때문입니다. 그래서 0.27은 평평도가 0.6 이상이면 얼굴 기준 넓히기를 하지 않습니다(3.5의 9).

666장 중 134장의 캐릭터 지도가 바뀌었고(나머지 532장은 캐릭터 지도 · 이름 · 폴더가 같음), 캐릭터가 있는 133장을 0.26 · 0.27 나란히 놓고 엄격한 기준으로 다시 판정했습니다. 나아진 그림 22장(큰 손실 → 무손실 4 · 큰 손실 → 작은 손실 3 · 작은 손실 → 무손실 15), 나빠진 그림 5장(완벽 → 무손실 3 · 완벽 → 작은 손실 1 · 무손실 → 작은 손실 1), 같은 그림 106장으로 나아진 쪽이 우연으로 보기 어렵게 많습니다(부호 검정 $p = 0.0015$). 흰 · 단색 배경 75장에서 13장 대 4장, 그 밖의 58장에서 9장 대 1장입니다.

기준(캐릭터가 있는 650장) 0.26 0.27 0.27에서 나아짐 · 나빠짐 맥니마 정확 𝑝
완벽 분리 24(3.7%, 95% 2.4~5.4%) 20(3.1%, 1.9~4.7%) 0 · 4 0.13
캐릭터 무손실 87(13.4%, 10.9~16.2%) 104(16.0%, 13.3~19.0%) 19 · 2 0.0002
큰 손실 없음 377(58.0%, 54.1~61.8%) 384(59.1%, 55.2~62.9%) 7 · 0 0.016

캐릭터를 더 지키면서 이름은 조금 나빠졌습니다. 이름 지도가 눈에 띄게 바뀐 85장을 다시 판정하니 (얼굴 · 캐릭터 폴더는 134장 모두 그대로)

이름(그림 단위) 0.26 0.27 0.27에서 나아짐 · 나빠짐 맥니마 정확 𝑝
머리카락 이름(진짜 얼굴을 찾은 323장) 226(70.0%) 230(71.2%) 8 · 4 0.39
피부 이름(같은 323장) 183(56.7%) 186(57.6%) 3 · 0 0.25
틀린 이름 없음(666장) 419(62.9%) 410(61.6%) 3 · 12 0.035
캐릭터 폴더 맞음 + 틀린 이름 없음(666장) 345(51.8%) 337(50.6%) 1 · 9 0.021

입니다. 새로 캐릭터 쪽에 남은 옷 · 다리 · 손 · 갑옷 · 소품이 머리카락 · 피부 파츠에 묶이거나 그 이름을 받은 경우(틀린 곳 330 → 339곳)이고, 배경 판정이 같은 그림에서도 캐릭터 지도가 조금 바뀌면 파츠가 다시 나뉘어 이름이 달라졌습니다. 캐릭터를 잃는 쪽이 이름이 틀리는 쪽보다 고치기 어려워 (이름은 층 이름만 바꾸면 되지만, 잃은 캐릭터는 보정 붓으로 칠해야 함) 0.27을 채택했습니다.

0.28: 떨어진 머리카락 조각 떼기: 0.27에서 늘어난 틀린 이름을 보면, 머리카락과 같은 밑색의 치마 · 다리 · 소매 · 가방 · 배경 조각이 “머리카락” 파츠에 함께 들어 이름을 받은 경우가 가장 많았습니다(파츠는 같은 밑색을 그림 전체에서 모음). 그래서 얼굴의 머리 자리와 이어지지 않은 머리카락 조각을 색 이름 파츠로 떼게 했습니다(4.8의 9). 층의 픽셀 · 합성 결과 · 배경 · 얼굴 · 캐릭터 폴더 수는 666장 모두 그대로이고(두 캐릭터 이상인 4장에서 22~58픽셀이 옆 캐릭터 폴더로 옮겨 감), 머리카락 이름이 붙은 369장 중 181장에서 “머리카락” 픽셀의 6.7%가 색 이름 파츠로 옮겨 갔습니다.

규칙을 세 번 고쳐 가며 바뀐 그림을 모두 0.27과 나란히 놓고 다시 판정했습니다(떼기만 한 판 61장, 가까운 조각을 남긴 판 198장, 닻 얼굴을 넓힌 최종 판 43장). 이름을 판정한 기준은 11의 300장과 같습니다.

이름(그림 단위) 0.27 0.28 0.28에서 나아짐 · 나빠짐 맥니마 정확 𝑝
틀린 이름이 없음(666장) 410(61.6%) 437(65.6%, 95% 61.9~69.2%) 27 · 0 < 0.0001
캐릭터 폴더 맞음 + 틀린 이름 없음(666장) 337(50.6%) 358(53.8%, 49.9~57.6%) 21 · 0 < 0.0001
머리카락 이름이 붙음(진짜 얼굴을 찾은 323장) 230(71.2%) 232(71.8%, 66.6~76.7%) 2 · 0 0.50
머리카락에 “대부분” 붙음(같은 323장) 94(29.1%) 91(28.2%) 2 · 5 0.45

틀린 곳은 339곳(256장) → 292곳(229장)입니다. 0.26과 견주면 틀린 이름이 없는 그림 419 → 437장(나아짐 28 · 나빠짐 10, $p = 0.005$), 틀린 곳 330 → 292곳으로, 0.27에서 늘었던 것보다 더 줄었습니다. 피부 · 눈 이름은 바뀌지 않았습니다.

떼어 낸 조각이 모두 틀린 이름이었던 것은 아닙니다. 처음 판(머리 자리와 이어진 곳만 남김)은 팔 · 소매 · 리본에 가려 끊긴 긴 머리 · 트윈테일 · 드릴 머리의 이름까지 뗐고, 가까운 조각을 남긴 판은 캐릭터 묶음에 들지 못한 둘째 인물 · 같은 인물의 두 번째 모습 · 떨어진 포니테일의 이름을 뗐습니다(15장). 점수 11 이상인 얼굴도 닻으로 삼아 그중 9장을 되살렸고, 대신 같은 색의 스타킹 · 곰 인형 주둥이 · 반바지 조각도 함께 되살아나 틀린 이름이 없는 그림이 6장 줄었습니다(443 → 437장, 7.5). 남은 6장은 머리와 멀리 떨어진 긴 머리 끝이나 얼굴을 찾지 못한 인물의 머리카락이 색 이름이 된 경우입니다(10).

0.29: 큰 그림의 색 걸음 문턱을 그림 크기 비율로: 크기에 민감한 세 값(10)을 긴 변 1200px 기준 비율로 바꿔 666장에 돌렸습니다. 1200px 그림은 결과가 바이트 단위로 같게 두고(표본 24장으로 확인), 크기가 다른 283장을 0.28과 나란히 놓고 캐릭터 지도가 0.2% 넘게 바뀐 그림을 모두 다시 판정했습니다. 세 값을 모든 크기에서 바꾸면 작은 그림이 크게 나빠져(7.5) 큰 그림(긴 변 1200px 초과)에서 값마다 따로 돌렸고, 나아진 색 걸음 문턱만 넣었습니다. 판정은 새 결과의 엄격한 등급과 0.28과의 비교(나음 · 나쁨 · 비슷, 잃은 캐릭터를 같은 넓이의 남은 배경보다 무겁게 봄)를 함께 적었고, 등급은 “비슷”이면 0.28 그대로, “나음”이면 0.28보다 내려가지 않게, “나쁨”이면 올라가지 않게 맞췄습니다(판정 흔들림이 바뀐 것으로 섞이지 않게).

고화질 115장 결과
캐릭터 지도가 바뀐 그림 106장(0.2% 넘게 83장, 1% 넘게 52장, 5% 넘게 7장)
바뀐 픽셀 캐릭터로 돌아온 픽셀 427만 · 배경이 된 픽셀 67만
0.28과 비교(캐릭터가 있는 80장) 나음 33 · 나쁨 7 · 비슷 40, 부호 검정 $p < 0.0001$
큰 손실 없음 57장(51.4%) → 63장(56.8%, 95% 47.0~66.1%), 나아짐 6 · 나빠짐 0, 맥니마 정확 $p = 0.031$
캐릭터 무손실 · 완벽 분리 11 → 11장, 3 → 2장
1장 처리 시간(4개 동시) 18.6초 → 17.4초

나아진 그림은 긴 머리 끝 · 옷자락 · 소매 · 들고 있는 물건의 가장자리로 새어 들던 배경이 멈춘 경우이고, 나빠진 7장은 바닥 · 소파 · 커튼 · 꽃밭 · 워터마크 같은 배경 조각이 캐릭터 쪽에 더 남은 경우입니다. 666장 전체로는 큰 손실 없음 384장(59.1%) → 390장(60.0%)입니다. 1200px 이하 그림 551장은 바뀌지 않습니다.

이름은 이름 지도가 바뀐 63장을 모두 다시 판정했습니다. 틀린 이름이 없는 그림 437 → 434장(나아짐 7 · 나빠짐 10, $p = 0.63$), 캐릭터 폴더 맞음 + 틀린 이름 없음 358 → 357장(6 · 7), 머리카락 이름이 붙음 232 → 232장(2 · 2), 피부 이름 186 → 185장(1 · 2)으로 차이가 없었고, 틀린 곳은 292 → 306곳입니다. 캐릭터 쪽에 남은 픽셀이 늘어 머리카락 · 피부와 같은 밑색의 옷 · 배경 조각이 그 파츠에 들어가는 일이 조금 늘었습니다. 얼굴 · 캐릭터 폴더는 바뀌지 않았습니다.

0.30: 큰 그림은 줄여서 나누기(설정): 1200px보다 큰 그림을 줄여서 나누는 두 방식을 설정으로 넣었습니다(기본 꺼짐). 둘 다 고화질 115장(긴 변 2000 · 2048px)을 긴 변 1200px로 줄여 돌리고, 원래 크기(0.29) 결과와 좌우 무작위로 놓아 어느 쪽인지 모르게 판정했습니다(바뀐 114장, 캐릭터가 있는 112장).

방식 줄임이 나음 · 원래 크기가 나음 · 비슷 큰 손실 없음(원래 → 줄임) 배경을 못 찾음 1장 시간 PSD 크기
전부 줄여서 나누기 25 · 29 · 60($p = 0.68$) 65 → 57(들어옴 5 · 나감 13, $p = 0.10$) 1 → 4장 17.4초 → 9.1초 줄인 크기
배경 · 얼굴만 줄여서 찾기 14 · 51 · 49($p < 0.0001$) 66 → 58(6 · 14, $p = 0.12$) 2 → 3장 17.4초 → 16.6초 처리 해상도

(두 판정은 따로 해서 원래 크기 쪽 등급이 조금 다릅니다.) “전부 줄여서 나누기”는 결과가 원래 크기와 차이가 없고 시간이 절반이라 빠르게 할 때 쓸 수 있습니다. “배경 · 얼굴만 줄여서 찾기”는 캐릭터를 더 잃는 그림이 뚜렷하게 많고 빨라지지도 않아, 설정에서 고르면 이 결과를 보여 주고 확인을 받습니다. 검증은 줄일 크기 1200px에서만 했습니다.

0.31: 선으로 둘러싸인 곳은 배경으로 가져가지 않기: 0.30에서 캐릭터의 큰 부분을 잃은 그림 48장을, 픽셀마다 어느 배경 단계가 처음 배경으로 만들었는지 색으로 칠해 하나씩 봤습니다. 주범은 장면 배경 1단계(선 밀도가 낮은 곳) 25장, 얼굴 기준 넓히기 8장, 단색 배경 채우기 7장, 색 모델 4장(그중 2장은 얼굴 · 머리카락을 통째로), 알 수 없음 3장이었습니다. 가장 흔한 모양은 안에 선이 없는 흰 옷 · 치마 · 단색 머리의 가운데가 배경이 되는 것이었습니다. 선 밀도는 선을 넓게 흐린 값이라 넓은 면의 가운데에서는 배경만큼 낮아지지만, 그 자리에서 사방을 보면 어느 쪽으로 가든 곧 윤곽선에 닿습니다. 이 “둘러싸임”(4.5)을 장면 배경 1단계 · 여백 넓히기 · 색 모델 · 얼굴 기준 넓히기에 막는 조건으로 넣었습니다.

먼저 배경 단계까지만 돌려 여러 판을 견줬습니다(7.5). 그다음 전체 처리 결과(캐릭터 층)를 666장 모두 0.30과 비교해, 캐릭터 지도가 0.2% 넘게 바뀐 563장을 모두 판정했습니다. 그림마다 두 결과를 좌우 무작위로 놓아 어느 쪽이 새 판인지 모르게 하고, 두 쪽의 엄격한 등급(4.5 판정 기준)과 어느 쪽이 나은지를 함께 적었습니다. 판정이 끝난 뒤 열쇠로 풀었습니다. 0.2% 이하로 바뀐 103장은 0.29 판정을 그대로 씁니다(두 판이 사실상 같음).

666장(캐릭터가 있다고 본 633장) 0.30 0.31 바뀐 그림 𝑝
새 판이 나음 · 나쁨 · 비슷(바뀐 563장)     262 · 106 · 195 부호 검정 $< 10^{-15}$
큰 손실 없음 351(55.5%, 95% 51.5~59.4%) 445(70.3%, 66.6~73.8%) 나아짐 123 · 나빠짐 29 맥니마 정확 검정 $< 10^{-14}$
캐릭터 무손실 91 90    
완벽 분리 17 18    
배경을 하나도 못 찾음 13 17    
조건(캐릭터가 있는 그림) 그림 큰 손실 없음 0.30 → 0.31 나아짐 · 나빠짐(𝑝)
고화질(2000px 이상) 111 55.9% → 71.2% 24 · 7(0.003)
중간(900~2000px) 410 59.3% → 73.7% 74 · 15($< 10^{-9}$)
저화질(900px 미만) 112 41.1% → 57.1% 25 · 7(0.002)
흰색 · 단색 배경 199 61.8% → 68.3% 25 · 12(0.047)
무늬 · 장식 배경 119 58.8% → 78.2% 28 · 5(< 0.001)
칠한 장면 배경 122 45.1% → 68.0% 32 · 4($< 10^{-5}$)
어두운 단색 배경 67 40.3% → 56.7% 14 · 3(0.013)
선 없음 115 31.3% → 49.6% 23 · 2($< 10^{-4}$)
두꺼운 칠 · 붓 145 34.5% → 56.6% 37 · 5($< 10^{-6}$)
캐릭터와 배경 색이 비슷함 233 48.1% → 67.0% 52 · 8($< 10^{-8}$)

나아진 그림은 흰 드레스 · 치마 · 소매, 선 없는 옷 가운데, 어두운 배경 앞의 어두운 옷, 색 모델이 가져가던 얼굴 · 머리카락이 캐릭터로 돌아온 경우가 대부분입니다. 나빠진 29장(큰 손실 없음에서 빠진 그림)과 새 판이 나쁘다고 본 106장은, 둘러싸인 곳에 걸려 가운데가 빈 배경 조각(치마와 팔 사이, 머리카락 사이로 보이는 배경, 테두리에 닿지 않은 배경 소품 · 글자 칸)이 캐릭터 쪽에 남은 경우와, 장면 배경이 넓이 기준 5%에 못 미쳐 배경을 하나도 못 찾게 된 경우(13 → 17장)입니다. 캐릭터를 잃는 쪽은 줄고(캐릭터 지도가 바뀐 그림 중 캐릭터가 는 그림 537장, 준 그림 26장), 남은 배경은 조금 늘어난 셈입니다.

이름은 이름 지도가 0.2% 넘게 바뀐 384장 중 무작위 60장을 같은 눈가림으로 판정했습니다. 새 판이 나음 23 · 나쁨 20 · 비슷 17($p = 0.76$), 틀린 이름이 없는 그림 17 → 20장(12 · 9, $p = 0.66$), 틀린 곳 53 → 55곳, 머리카락 이름이 붙은 그림 29 → 27장으로 차이가 없었습니다. 캐릭터로 돌아온 옷 · 머리카락에 이름이 새로 붙는 만큼, 캐릭터 쪽에 남은 배경 조각에 이름이 붙기도 합니다. 처리 시간은 같은 그림 24장을 하나씩 돌려 중앙값 6.9초 → 6.5초로 달라지지 않았습니다(둘러싸임 계산은 그림 크기와 관계없이 0.1~0.3초).

0.32: 배경을 못 찾는 그림 줄이기: 0.31에서 배경을 하나도 못 찾는 그림이 늘어(0.30 13장 → 0.31 17장) 원인을 봤습니다. 0.31에서 새로 못 찾게 된 6장은 모두 장면 배경의 넓이가 기준(5%)에 조금 못 미친 것이었습니다(둘러싸인 곳을 빼니 2.9~4.4%). 0.30에서도 배경이 없던 12장 중 3장은 그림 가장자리를 1~2px 테두리 선이 둘러 테두리에서 채우기가 시작되지 못했고(666장 중 이런 그림은 이 3장뿐, 그중 2장은 흰 배경), 나머지는 장면 배경이 1.5~4.6%이거나 90%를 넘었고, 한 장(붓 그림)은 선이 거의 없다고 판정되어 장면 배경 단계에 들지 못했습니다. 그래서 (1) 액자를 찾아 배경 단계 동안만 안쪽 색으로 채우고, (2) 둘러싸임을 빼서 장면 배경이 기준에 못 미치면 빼지 않고 다시 찾고, (3) 장면 배경의 넓이 기준을 5% → 2%로 낮췄습니다. 배경 단계까지 돌려 0.31과 비교하니 666장 중 23장만 바뀌었고, 전체 처리에서 캐릭터 지도가 0.2% 넘게 바뀐 22장을 0.31과 눈가림으로 판정했습니다.

캐릭터 지도가 바뀐 22장 결과
새 판이 나음 · 나쁨 · 비슷 14 · 1 · 7(부호 검정 $p = 0.001$)
큰 손실 없음 7 → 19장(나아짐 12 · 나빠짐 0, 맥니마 정확 $p = 0.0005$)
배경을 하나도 못 찾음(캐릭터가 있는 633장) 18 → 5장
캐릭터가 있는 633장의 큰 손실 없음 443(70.0%) → 455(71.9%, 95% 68.2~75.3%)

(바뀐 22장은 이번에 두 판을 함께 다시 판정해, 0.31 쪽 등급이 0.31의 판정과 6장 달라 0.31 값이 445 → 443장, 못 찾음 17 → 18장으로 적혔습니다.) 나빠진 1장은 장식 테두리 안의 흰 배경 인물 그림으로, 새로 찾은 장면 배경이 선 없이 칠한 팔까지 가져가 배경을 아예 찾지 않던 0.31 쪽이 낫다고 봤습니다. 이름은 이름 지도가 바뀐 18장을 같은 눈가림으로 판정해 나음 3 · 나쁨 7 · 비슷 8($p = 0.34$)로 차이가 없었고, 틀린 곳 15 → 13곳, 머리카락 이름이 붙은 그림 4 → 8장입니다. 배경을 새로 찾은 그림은 캐릭터가 따로 떨어져 얼굴 · 머리카락 이름이 새로 붙고, 대신 캐릭터 쪽에 남은 배경 조각에 색 이름이 붙기도 합니다.

0.33: 캐릭터 층 검증과 틈: 캐릭터가 있는 633장에서 무작위로 고른 120장(씨앗 80)의 0.32 캐릭터 층을 원본과 나란히 놓고, 캐릭터 층에 남은 배경의 양과 종류를 하나하나 적었습니다. 캐릭터를 잃은 정도(완전성)는 0.32 판정의 엄격한 등급을 씁니다.

캐릭터 층에 남은 배경(120장) 그림 큰 손실 없음(P · K · c)
없음 17(14%) 10
작은 조각 38(32%) 24
눈에 띄는 조각(그림의 몇 %) 30(25%) 20
넓게(10% 넘게 또는 배경 대부분) 35(29%) 30
남은 배경의 종류 모든 그림 눈에 띄게 · 넓게 남은 65장
선으로 그린 소품 · 물건 36 31
흐린 배경 · 장면 조각 34 26
글자 · 로고 · 틀 29 26
캐릭터 사이로 보이는 배경(틈) 18 8
효과(빛 · 꽃잎 · 입자) 17 10
바닥 · 땅 16 16
배경 전체 13 13
윤곽 둘레의 가는 테 9 0

(한 그림에 여러 종류가 있으면 모두 셌습니다.) 캐릭터를 잃지 않는 쪽으로 배경을 잡은 결과라, 배경이 넓게 남은 그림은 오히려 큰 손실이 적었습니다(35장 중 5장, 남은 배경 없는 그림은 17장 중 7장). 0.30에서는 배경이던 곳이 0.32에서 캐릭터 쪽에 남은 넓이는 남은 배경이 없음 · 작은 조각 · 눈에 띔 · 넓음 순으로 평균 1.9 · 3.3 · 5.5 · 7.1%로, 남은 배경의 상당 부분은 0.31의 둘러싸임 보호가 지킨 곳입니다. 그래서 0.31이 나빴던 그림만 골라 보호를 풀 수 있는지 봤지만, 둘러싸임 · 선 · 얼굴 자리로 만든 13가지 값 모두 그런 그림을 가르지 못했습니다(7.5).

소품 · 흐린 장면 · 글자는 무엇이 캐릭터의 물건이고 무엇이 배경의 물건인지를 알아봐야 해서 규칙으로 고치기 어렵고, 틈은 흰 · 단색 배경이면 배경과 똑같은 색이라 규칙으로 가를 수 있어 이것을 고쳤습니다(3.5의 10, 4.5, 4.6). 조각을 느슨하게 모은 판이 바꾼 161장을 하나씩 보고 문턱을 정한 뒤(7.5), 배경 단계를 666장 모두 돌려 틈을 찾은 그림 168장(평균 그림의 0.38%, 많게는 2.6%. 선이 촘촘해 빼는 그림 30장 제외), 전체 처리에서 캐릭터 지도가 0.1% 넘게 바뀐 그림 134장을 얻었습니다. 그 가운데 무작위 50장을 좌우 무작위 눈가림으로 0.32와 견줬습니다.

캐릭터 지도가 바뀐 134장 중 50장 결과
새 판이 나음 · 나쁨 · 비슷 17 · 6 · 27(부호 검정 $p = 0.035$)
큰 손실 없음 35 → 35장(바뀐 그림 없음)
완벽 분리(P) 0 → 3장
앞의 120장 중 바뀐 25장의 남은 배경(눈가림 아님) 나아짐 8 · 나빠짐 2, 남은 배경 없음 17 → 20장, 틈이 남은 그림 18 → 10장

나아진 그림은 흰 배경 인물의 팔과 몸 사이 · 머리카락 사이 · 다리 사이가 배경이 된 경우입니다. 나빠진 6장은 둘레가 선뿐인 흰 캐릭터 부분 (흰 날개 · 흰 옷 조각 · 로봇의 흰 판, 작은 인물의 흰 몸)이 틈으로 간 경우입니다. 캐릭터의 큰 부분을 잃는 그림은 늘지도 줄지도 않았습니다.

이름은 이름 지도가 0.2% 넘게 바뀐 96장 중 무작위 60장을 같은 눈가림으로 판정해 나음 18 · 나쁨 21 · 비슷 21($p = 0.75$)로 차이가 없었습니다. 틀린 곳은 64 → 73곳(더 틀린 그림 18 · 덜 틀린 그림 10, $p = 0.19$), 틀린 이름이 없는 그림 23 → 19장, 머리카락 이름이 붙은 그림 33 → 37장입니다. 틈이 빠지며 영역이 조금씩 달라져 이름이 붙는 파츠가 바뀐 것이고, 한쪽으로 기울지 않았습니다. 처리 시간은 바뀐 198장의 중앙값 10.0초 → 9.5초로 달라지지 않았습니다(같은 컴퓨터, 4개 동시 실행).

0.34: 한계 다시 풀기: 10의 한계를 하나씩 다시 시도해, 합성 그림(정답 지도) · 666장 전체 처리 · 눈가림 판정으로 채택 여부를 정했습니다. 채택하지 않은 것은 7.5에 적었습니다(선 위의 빛, 번진 글로우, “옷” 이름, 러프 점 지우기, 좌우로 같은 색 군집 등).

채택한 것 판정 결과
이름 · 폴더용 얼굴의 좌우 합의(4.5의 10) 이름 지도가 0.2% 넘게 바뀐 89장(색 이름만 바뀐 그림 제외)을 모두 좌우 무작위 눈가림 새 판이 나음 44 · 이전이 나음 27 · 비슷 18($p = 0.057$), 틀린 이름 78 → 34곳
  캐릭터 폴더 수가 바뀐 13장을 모두 새 판이 나음 7(한 사람 그림을 둘로 나누던 것) · 이전이 나음 5(두세 사람 그림에서 얼굴 하나를 잃음) · 비슷 1
  666장의 이름용 얼굴 · 합성 그림 1046 → 755개. 합성 57장의 가짜 얼굴 5 → 1개(진짜 얼굴 70/73 그대로)
3차 되돌리기($\Delta E \ge 5$ · 고운 색 칸, 4.5) 합성 어두운 배경 6장(정답 지도) 지킨 캐릭터 84.1% → 100%. 합성 57장 전체 97.65% → 99.41%
  AI 생성 그림에서 캐릭터 지도가 0.2% 넘게 바뀐 8장 눈가림 새 판 1 · 이전 3 · 비슷 4. 되돌아온 검은 머리 둘레의 어두운 배경 얼룩이 함께 캐릭터로 오는 그림이 있음
밝은 단색 배경의 좁은 틈 막기(4.5) 캐릭터 지도가 0.2% 넘게 바뀐 160장을 모두 눈가림(두 판의 엄격한 등급을 함께 적음) 새 판이 나음 63 · 이전이 나음 48 · 비슷 49($p = 0.18$), 큰 손실 없음 99 → 114장(풀림 27 · 생김 12, 맥니마 $p = 0.024$)

좁은 틈 막기에서 이전이 나았던 48장은 캐릭터 사이로 좁게 트인 흰 배경(팔과 몸 사이, 머리카락 사이, 흩날리는 머리카락 끝 사이)이 캐릭터 층에 남은 그림이고, 새 판이 나았던 63장은 흰 옷 · 흰 머리카락 · 옅은 피부가 끊긴 윤곽선으로 배경에 새던 그림입니다. 두 판을 함께 다시 본 160장의 이전 쪽 등급이 저장된 등급과 65장에서 달라, 캐릭터가 있다고 본 628장 전체의 큰 손실 없음은 같은 판정으로 적으면 450장(71.7%, 95% 68.0~75.2%) → 465장(74.0%, 70.4~77.4%)입니다. 큰 손실(M) 등급은 177 → 162장입니다.

그다음 캐릭터 층을 다시 봤습니다. 0.33에서 남은 배경을 적은 무작위 120장 중 0.34에서 캐릭터 지도가 0.1% 넘게 바뀐 30장을 같은 기준으로 다시 적으니, 남은 배경이 줄어든 그림 2 · 늘어난 그림 7 · 같음 21이고, 120장 전체로는 남은 배경 없음 20 → 20 · 작은 조각 38 → 34 · 눈에 띔 27 → 30 · 넓게 35 → 36장입니다. 늘어난 7장은 모두 좁은 틈 막기로 돌아온 흰 배경 조각입니다. 이 조각은 둘레가 선뿐이고 배경과 같은 색이지만 넓어서(그림의 2% · 캐릭터 칠의 5% 넘게) 0.33의 틈 규칙(4.5)이 받지 않고, 그 상한은 흰 스타킹 · 흰 옷 조각을 지키려고 둔 것이라 풀 수 없었습니다. 캐릭터를 잃지 않는 쪽을 택해 틈 막기는 두고, 이 대가는 10에 적었습니다. 배경의 큰 손실 무작위 36장을 원인별로 나누면 흰 · 옅은 옷을 옅은 배경 위에 그린 그림 17 · 붓 그림 7 · 캐릭터와 색이 비슷한 장면 6 · 테두리에 닿음 3 · 어두운 장면 1 · 그 밖 2장이었고, 좁은 틈 막기는 이 중 첫째를 겨냥했습니다(17장 중 9장이 바뀜. 바뀌지 않은 8장 중 3장은 단색 채우기가 아니라 장면 배경 단계가 가져간 그림).

전체 점검(0.33 → 0.34) 결과
합성 57장(정답 지도) 찾은 배경 93.2 → 93.1%, 지킨 캐릭터 97.65 → 99.41%, 진짜 얼굴 70/73 → 70/73, 가짜 얼굴 5 → 1, 캐릭터 폴더 15/15, 글로우 재현 6.8 → 8.8%(정밀 100%)
좌우 뒤집기(AI 생성 그림 25장) 배경 일치 99.24 → 99.24%, 캐릭터 수 같음 22 → 23장, 이름 겹침 머리카락 46 → 47% · 피부 53 → 53% · 눈 59 → 59%
666장 재현 PSNR · 처리 시간 가장 낮은 것 44.6 dB. 한 장 중앙값 9.4초 → 10.8초(4개 동시 실행, 얼굴 찾기를 두 번 함)

11.7 붓 그림 밑색(합성 그림)

정답 재질 지도가 있는 그림을 코드로 그려 쟀습니다. 같은 인물(머리카락, 피부, 셔츠, 재킷, 리본, 흰자, 눈동자)을 셀 채색(선 + 두 단계 명암) 1장, 붓 그림(부드러운 명암, 푸른 그림자 · 따뜻한 빛, 붓 자국 얼룩) 3장, 머리카락 결을 어두운 붓 선으로 그은 그림 3장, 그림자가 회색 쪽으로 빠지는 붓 그림 3장으로 그렸습니다. 재질마다 가장 많이 차지한 파츠의 비율(덮음), 파츠마다 가장 많은 재질의 비율(순도), 밑색과 정답 색의 차이($\Delta E$)를 평균했습니다(재질 경계 2px와 배경으로 간 픽셀은 뺌).

  덮음 순도 밑색 $\Delta E$
0.16 77.0% 85.0% 25.4
0.17 96.6% 99.3% 18.2

0.16에서는 붓 그림의 파란 머리카락 파츠가 옅은 피부 · 흰자 · 눈동자 · 재킷을 삼켰고(한쪽이 흰색 · 회색인 색 관계), 결을 그은 머리카락은 6~8개 파츠로 쪼개졌습니다(머리카락 덮음 36~54% → 0.17에서 97~100%). 셀 채색 그림은 그대로입니다. 결을 그은 그림에서 선 없는 얼굴 · 옷이 배경으로 가는 문제(10)는 이 값에 들어 있지 않습니다. 선 양쪽 색이 같은 선의 비율은 결을 그은 그림 86~88%, AI 생성 그림 25장 4~31%로, AI 생성 그림에서는 결 규칙이 동작하지 않고 색 관계 규칙만 바뀝니다. AI 생성 그림의 재현 PSNR은 평균 55.67 → 55.62 dB, 파츠 수 평균 26.1 → 26.5, 선도 색 경계도 없는 곳에 생긴 밑색 경계의 비율은 6.3% → 6.3%입니다. 눈에 띄게 나아진 그림은 모자 쓴 소녀의 클로즈업(얼굴 · 손이 크림색 조각과 한 파츠였던 것이 분홍 피부로), 치파오 카드 일러스트(피부가 흰 드레스 · 은발과 갈림), 창가의 두 사람(흰 블라우스와 피부가 갈림), 두 사람의 전신(얼굴과 흰 재킷이 갈림), 카페와 마스코트(아이스크림 색이 갈림)입니다.

11.8 밑색(0.39)

픽시브 AI 생성 그림 642장(일관된 세트 300장 · 섞인 세트 342장)을 개발용 323장(151 · 172)과 시험용 319장(149 · 170)으로 나눠 두고, 개발용만 보고 규칙을 정한 뒤 시험용으로 한 번 눈가림 판정했습니다. 밑색만 보려고 그림마다 밑색 층만 합성한 그림을 원본 옆에 놓았습니다(배경은 빗금).

0.38 밑색에서 틀린 것: 개발용 68장(300장 37 · 342장 31)을 밑색만 합성해 보고 한 장에 여러 개를 셀 수 있게 적었습니다.

틀린 것 300장 (37장) 342장 (31장)
잘게 쪼개진 누더기(장면 · 소품이 많은 그림, 붓 · 수채 그림) 19장 (51%) 21장 (68%)
다른 재질이 한 밑색(피부와 흰 옷 · 옅은 머리, 금발과 크림색 코트) 14장 (38%) 13장 (42%)
색 있는 면이 흰색 · 회색 밑색에 묻힘(빨간 꼬리, 주황 무늬, 노란 장식) 10장 (27%) 6장 (19%)
그림자 면이 따로 다른 밑색(머리카락 두 색) 7장 (19%) 1장 (3%)
눈 · 머리끈 · 넥타이 같은 작은 색 면이 이웃 색으로 사라짐 4장 (11%) 5장 (16%)
밑색이 그림자 쪽 색(금색 망토가 갈색, 검은 머리가 회색) 1장 (3%) 3장 (10%)
눈에 띄는 문제 없음 3장 (8%) 2장 (6%)

0.39는 셋째 · 다섯째 · 여섯째를 고친 것입니다(4.7, 4.8). 가장 많은 누더기, 다른 재질이 한 밑색이 되는 것, 선 건너편 그림자 면이 따로 밑색이 되는 것은 그대로입니다(10).

밑색 분해능(정답 그림): 재질 정답 지도가 있는 합성 그림 117장(배경 · 얼굴 합성 57장, 이름 합성 48장, 붓 그림 12장)에서 잽니다. 재질은 (캐릭터, 재질) 쌍이고, 정답 밑색은 그린 색입니다(머리카락 · 피부 · 옷 · 눈동자는 그 캐릭터의 설정 색, 옷깃 · 흰자는 흰색, 붓 그림은 칠한 고유색). 재질 경계(캐릭터 경계 포함) 둘레 3px와 배경으로 간 픽셀(밑색 층이 없음)은 빼고, 밑색 층 색과 정답 밑색의 $\Delta E^*_{ab}$가 10 이상인 픽셀을 틀린 것으로 셉니다. 그림마다 재질별 틀린 비율의 평균(100픽셀 이상 남은 재질)을 밑색 오분류율로 두고

\mathrm{BER}_{\text{밑색}}=\frac1{|M|}\sum_{m\in M}\frac{|\lbrace p\in m:\ \Delta E(F_p,\ F^{\text{정답}}_m)\ge10\rbrace|}{|m|},\qquad \text{밑색 분해능}=\frac1{\overline{\mathrm{BER}}_{\text{밑색}}}

풀이 — 왜: 밑색이 정답 재질 색과 얼마나 맞는지를 분해능과 같은 꼴의 한 수로 재기 위해서입니다. 원리: 재질 𝑚마다 밑색이 정답 색과 $\Delta E \ge 10$(분명히 다른 색)인 픽셀의 비율을 오류율로 두고 재질 평균을 냅니다. 재질마다 같은 무게라 작은 재질(눈, 리본)의 실패도 크게 잡힙니다. 그 역수가 밑색 분해능입니다. 참고: R7 CIE 2004 · 이 프로그램에서 정한 규칙

117장 평균의 역수를 밑색 분해능으로 둡니다. 배수의 95% 구간은 그림 단위 짝 부트스트랩(10,000번, 씨앗 20261002)입니다.

판 배경 · 얼굴 합성 57장 이름 합성 48장 붓 그림 12장 전체 117장 밑색 분해능 덮음 순도 밑색 $\Delta E$ 평균 파츠
0.38 23.25% 20.92% 56.83% 25.74% 3.89 95.4% 96.6% 7.0 6.5
0.39 22.85% 20.49% 49.28% 24.59% 4.07 94.7% 96.8% 6.2 8.2

0.38 → 0.39는 1.05배(95% 구간 1.02~1.07배)이고, 나아진 그림 19 · 나빠진 그림 9 · 같은 그림 89장입니다. 문턱을 바꾸면 $\Delta E$ 5에서 1.02배(0.996~1.046), 20에서 1.08배(1.015~1.153)로, 5에서는 구간이 1을 넘지 않습니다. 나빠진 9장 중 7장은 0.4%p 안입니다(검은 머리카락의 밝은 광택 띠가 머리카락에 합쳐지지 않고 따로 회색 파츠가 됨, 머리카락 픽셀의 4%. 4.8의 3). 두 사람 그림 2장(줄무늬 배경 · 이름 합성)은 둘째 캐릭터의 초록 눈동자 밑색이 눈동자 안의 밝은 반점 색이 되어(4.7의 빛을 받은 쪽 밑색) 4.5%p 나빠졌습니다. 흰자는 두 판 모두 87~93%가 틀립니다(흰자 위 그림자 색이 넓거나 피부 파츠와 합쳐짐). 붓 그림의 셔츠 · 재킷(푸른 그림자 · 따뜻한 빛)은 0.39에서도 대부분 $\Delta E$ 10을 넘습니다.

눈가림 판정(시험용): 시험용 319장 중 밑색 합성이 바뀐 그림은 282장(300장 131 · 342장 151)이고, 그중 캐릭터 픽셀의 0.1% 넘게 $\Delta E$ 10 이상 바뀐 276장을 [원본 | 왼쪽 | 오른쪽]으로 놓고(좌우는 그림마다 무작위, 판정을 다 적은 뒤에만 풂) 밑색만 보고 어느 쪽이 나은지 판정했습니다.

묶음 판정한 그림 0.39가 나음 0.38이 나음 같음 부호 검정 𝑝
300장(일관된 세트) 127 60 12 55 $8.1 \times 10^{-9}$
342장(섞인 세트) 149 63 8 78 $1.0 \times 10^{-11}$
전체 276 123 20 133 $2.8 \times 10^{-19}$

0.1%보다 적게 바뀐 6장은 판정하지 않았고, 37장은 밑색 합성이 바이트 단위로 같았습니다. 바뀐 그림에서 바뀐 캐릭터 픽셀은 중앙값 4.5%입니다. 개발용에서는 앞의 두 규칙(흰색 · 회색 재질에서 색 떼기, 작은 색 면 남기기)만 넣은 판을 30장 눈가림해 0.38이 나음 1 · 새 판이 나음 20 · 같음 9(300장 1 · 10, 342장 0 · 10), 빛을 받은 쪽 밑색을 더한 판을 그 판과 20장 견줘 더한 쪽이 나음 4 · 나쁨 1 · 같음 15였습니다.

기존 점수(0.38 → 0.39):

점수 결과
배경 지도(배경 층 알파 $\ge 128$) 픽시브 AI 생성 그림 642장 · 정답 그림 185장 모두 바이트 단위로 같음. 그래서 엄격한 분리율 등급과 “큰 손실 없음”(300장 84.6% · 342장 75.4% · 전체 79.6%), 배경 분해능(0.1의 1.78배, 1.50~2.14배)이 그대로
캐릭터 폴더 수 642장 모두 같음. 캐릭터 폴더 지도는 11장에서 캐릭터 픽셀의 0.014% 이하가 옆 캐릭터로(64픽셀 미만 파츠 조각 옮기기가 파츠에 따라 달라짐)
이름(시험용에서 이름 지도가 바뀐 99장, 눈가림) 틀린 이름 93 → 93곳(줄어든 그림 8 · 늘어난 그림 7, $p = 1$). 틀린 이름이 없는 그림 35 → 33장(들어옴 1 · 빠짐 3, $p = 0.63$). 머리카락 이름이 있는 그림 61 → 63장(나아짐 3 · 나빠짐 3), 피부 63 → 63장(나아짐 3 · 나빠짐 0, $p = 0.25$). 어느 쪽이 나은가 0.38 11 · 0.39 28 · 같음 60($p = 0.009$)
이름, 묶음별 300장(50장): 틀린 이름 36 → 33곳, 나은 쪽 0.38 5 · 0.39 20($p = 0.004$). 342장(49장): 57 → 60곳(줄어든 그림 3 · 늘어난 그림 5, $p = 0.73$), 틀린 이름이 없는 그림 14 → 11장($p = 0.25$), 나은 쪽 6 · 8($p = 0.79$)
재현 PSNR 642장 평균 54.820 → 54.821 dB(차 +0.001, 95% 구간 −0.007~+0.011), 가장 낮은 것 44.60 → 44.60 dB. 시험용 319장은 오른 그림 132 · 내린 그림 154(부호 검정 $p = 0.21$). 642장 전체로는 아주 조금 내린 그림이 더 많음(244 · 332, $p = 0.0003$, 바뀐 크기의 중앙값 0.005 dB)
파츠 수(642장 평균) 파츠 21.97 → 23.16개, “작은 파츠” 1.75 → 4.22개(작은 파츠가 있는 그림 221 → 320장), 최대 파츠 수 32에 닿은 그림 108 → 133장
규칙이 걸린 그림(642장) 흰색 · 회색 재질에서 색 떼기 438장(300장 213 · 342장 225, 새 재질 그림당 평균 3.0개, 옮긴 톤은 중앙값 그림의 0.4%), 작은 색 면 남기기 432장(225 · 207), 빛을 받은 쪽 밑색 517장(245 · 272, 그림당 평균 6.0개 재질). 정답 그림 117장에서는 5 · 73 · 37장
처리 시간 배경 단계(2~4초)는 같고, 그 뒤 단계는 시험용 12장에서 합계 2% 늘어남(같은 프로세스에서 번갈아 두 번씩 잰 짧은 쪽, 중앙값 2.95 → 2.90초)
화면 검증(시험 그림 28장) 오류 · 외부 요청 0, psd-tools · ag-psd 모두 28장을 읽음(병합 이미지 PSNR 48.76~61.87 dB, 0.38은 48.79~61.86 dB), 같은 그림 두 번 분리 28장 모두 바이트 단위로 같음, 보정 뒤 다시 나누기 캐시 이상 없음. 층 수 평균 113.3 → 121.7

11.9 기울어진 그림(0.37)

정답이 있는 그림을 돌려 쟀습니다. 합성 그림 57장(캐릭터 · 재질 · 두 눈 정답)과 시험 그림 25장(사람이 표시한 두 눈 35개, 그중 8장은 캐릭터 윤곽 정답)을 가운데를 기준으로 Catmull–Rom으로 돌리고(시계 방향 +), 세 가지로 만들었습니다: 늘어난 캔버스의 모서리를 흰색으로 채움, 투명으로 채움, 돌린 그림 안의 가장 큰 직사각형만 잘라 꽉 채움. 결과는 원래 좌표로 되돌려 정답과 맞췄고 돌린 그림 밖 픽셀은 뺐습니다. 똑바로 둔 그림 82장에서 기울기 부분은 0.36과 캐릭터 지도 · 이름 지도 · 얼굴이 바이트 단위로 같았습니다(다른 그림 0장). 표의 칸은 0.36 → 0.37입니다(얼굴은 찾은 수 / 정답 수, 폴더는 캐릭터 수가 맞는 그림 수 / 두 사람 이상 그림 수).

돌려 저장해 모서리가 흰색 · 투명인 그림(설정 없이):

돌린 캔버스 합성: 배경 찾음 % 합성: 캐릭터 지킴 % 합성: 얼굴 찾음 합성: 캐릭터 폴더 맞음 실제: 얼굴 찾음 실제: 가짜 얼굴 정답 윤곽 8장: 배경 찾음 % 정답 윤곽 8장: 캐릭터 지킴 %
흰 모서리 −15° 88.1 → 93.0 99.3 → 98.6 71/73 → 72/73 15/15 → 15/15 28/35 → 28/35 15 → 16 18.8 → 34.9 96.6 → 97.3
흰 모서리 15° 88.1 → 93.0 99.6 → 99.3 71/73 → 71/73 15/15 → 15/15 28/35 → 27/35 16 → 14 25.8 → 37.9 96.3 → 98.5
흰 모서리 −45° 66.5 → 93.0 92.6 → 96.9 59/73 → 70/73 7/15 → 15/15 11/35 → 25/35 16 → 20 19.4 → 12.9 96.8 → 99.3
흰 모서리 45° 65.5 → 93.0 93.7 → 96.9 62/73 → 70/73 11/15 → 15/15 18/35 → 24/35 15 → 18 18.8 → 15.3 96.8 → 99.5
투명 모서리 −15° 0.0 → 93.1 100.0 → 98.6 71/73 → 72/73 15/15 → 15/15 28/35 → 28/35 15 → 16 0.0 → 33.6 100.0 → 98.6
투명 모서리 15° 0.0 → 93.1 100.0 → 99.3 71/73 → 71/73 15/15 → 15/15 28/35 → 27/35 17 → 13 0.0 → 38.9 100.0 → 98.0
투명 모서리 −45° 0.0 → 92.9 100.0 → 96.9 65/73 → 70/73 11/15 → 15/15 11/35 → 25/35 17 → 20 0.0 → 15.1 100.0 → 99.1
투명 모서리 45° 0.0 → 93.1 100.0 → 96.9 64/73 → 70/73 11/15 → 15/15 18/35 → 24/35 17 → 18 0.0 → 15.4 100.0 → 99.3

투명 모서리는 0.36에서 투명 배경 그림으로 보여 배경을 찾지 않았습니다(배경 0%). 45°에서 얼굴은 AI 생성 그림 11~18개 → 24~25개, 합성 그림 캐릭터 폴더는 7~11장 → 15장 모두 맞게 되었습니다. 흰 모서리 ±45°에서는 정답 윤곽 8장의 배경 찾음이 0.36보다 낮습니다(19 → 13%, 10의 한계).

모서리 없이 꽉 찬 채로 기운 그림(설정 “기울어진 그림” 켬):

꽉 채움 + 설정 켬 합성: 배경 찾음 % 합성: 캐릭터 지킴 % 합성: 얼굴 찾음 합성: 캐릭터 폴더 맞음 실제: 얼굴 찾음 실제: 가짜 얼굴 정답 윤곽 8장: 배경 찾음 % 정답 윤곽 8장: 캐릭터 지킴 %
꽉 채움 −15° 94.0 → 94.0 99.3 → 99.3 71/73 → 71/73 15/15 → 15/15 25/34 → 29/34 12 → 13 54.0 → 54.0 93.3 → 92.8
꽉 채움 15° 94.4 → 94.4 94.8 → 94.8 67/73 → 67/73 12/15 → 12/15 26/31 → 26/31 10 → 13 49.6 → 50.4 93.4 → 94.1
꽉 채움 −45° 96.3 → 95.8 65.4 → 66.8 40/71 → 48/71 1/15 → 1/15 12/30 → 20/30 11 → 15 47.4 → 49.0 88.2 → 90.7
꽉 채움 45° 96.3 → 95.8 67.9 → 65.4 42/71 → 48/71 1/15 → 1/15 16/30 → 18/30 13 → 17 48.6 → 48.5 88.7 → 88.4
꽉 채움 −90° 92.9 → 93.2 74.8 → 98.2 1/73 → 71/73 0/15 → 15/15 6/35 → 26/35 20 → 20 40.2 → 41.2 95.8 → 98.8
꽉 채움 90° 89.7 → 92.6 75.6 → 98.2 1/73 → 71/73 0/15 → 15/15 9/35 → 25/35 20 → 19 40.1 → 42.4 95.6 → 97.9

±90°(옆으로 누운 그림)는 합성 얼굴 1 → 71개, 실제 얼굴 6~9 → 25~26개, 캐릭터 지킴 75 → 98%로 나아졌습니다. ±45°는 얼굴은 늘지만 캐릭터 폴더 · 캐릭터 지킴은 그대로이고, 가짜 얼굴은 ±15 · ±45°에서 1~4개 늘었습니다. 똑바로 둔 정답 그림 82장에 설정을 켜면 실제 얼굴 29/35 → 26/35개 · 가짜 얼굴 15 → 17개, 합성 그림 가짜 얼굴 1 → 2개입니다.

눈가림(AI 생성 그림): 666장에서 원래 긴 변으로 세 구간(900px 미만 · 900~1600px · 1600px 이상)을 나눠 구간마다 20장씩, 두 시험(T1, T2)에 서로 다른 120장을 골랐습니다. 그림 크기 비율 𝑟은 원래 크기와 상관없이 $r = 2^u,\ u \sim U(-1, 1)$(밀도 $f(r) = 1/(2r \ln 2),\ 1/2 \le r \le 2$, 누적 $F(r) = (1 + \log_2 r)/2$)로 정했고, 구간마다 $u_i = -1 + (2i - 1)/20$을 섞어 나눠 작게 · 크게가 고르게 들어가게 했습니다. 처리 긴 변은 $L = \min(r \cdot \text{저장 긴 변}, 4096)$이고, 키울 때는 DCCI 2배를 목표를 넘을 때까지 되풀이한 뒤 면적 평균으로, 줄일 때는 면적 평균으로 맞췄습니다(긴 변 280~3957px, 60장씩 키움 · 줄임). T1은 흰색 · 투명 모서리로 ±15 · ±30 · ±45°, T2는 꽉 채워 ±45 · ±60 · ±90°로 돌렸습니다. 두 결과(배경으로 간 곳을 칠한 그림, 캐릭터 폴더 수, 이름)를 좌우 무작위(따로 뽑은 난수, 판정 뒤에 풂)로 놓고, 캐릭터를 지키고 배경을 뺀 정도를 먼저, 얼굴 · 이름을 그다음으로 보는 같은 기준으로 판정했습니다.

풀이 — 왜: 그림 크기를 줄이기와 키우기에 고르게 나눠야, 크기에 따른 효과가 한쪽으로 치우치지 않습니다. 원리: $r = 2^u$에서 𝑢를 −1~1에 고르게 뽑으면 로그 척도에서 고른 분포라 ½배와 2배가 같은 확률입니다. 변수 변환으로 밀도는 $f(r) = 1/(2r\ln 2)$, 누적은 $(1 + \log_2 r)/2$입니다. $u_i = -1 + (2i - 1)/20$은 구간을 20칸으로 나눈 가운데 점(층화 표본)이라 무작위 뽑기보다 고르게 퍼집니다. 처리 긴 변은 메모리 한도로 4096에서 자릅니다. 키울 때 쓴 DCCI는 윤곽 방향을 따라 보간해 경계가 번지지 않는 방향성 3차 보간입니다. 참고: 이 프로그램에서 정한 규칙 · R49 Zhou et al. 2012

시험 0.37이 나음 0.36이 나음 같음 부호 검정 𝑝 각도별(나음 : 나쁨 : 같음)
T1 돌린 캔버스(설정 없이) 37 12 11 0.0005 15° 11 : 3 : 4 · 30° 16 : 2 : 3 · 45° 10 : 7 : 4
T2 꽉 채움, 설정 켬 vs 끔 28 12 20 0.02 45° 7 : 5 : 6 · 60° 12 : 4 : 5 · 90° 9 : 3 : 9

나누는 시간은 중앙값으로 돌린 캔버스 1.34배(기울기 가설 두 개), 설정 켬 1.45배(일곱 개)입니다. 아래 방향 규칙을 60° · 한 변으로 바꾼 판(7.5)은 위 120장 중 결과가 바뀐 17장을 같은 방식으로 다시 판정해 나음 6 · 나쁨 8 · 같음 3($p = 0.79$)이라 넣지 않았습니다.

11.10 검은 옷 막기(0.37)

자세 합성 그림(전신 · 14가지 자세 · 허리 · 목을 굽히고 돌린 조합, 배경 6가지, 셔츠 · 치마 5벌, 다리는 맨다리 또는 선과 같은 색 #2a2a30 스타킹)을 그려 보니, 스타킹을 신은 그림은 캐릭터의 73%만 지켜(맨다리 94%) 배경 단계를 하나씩 끄며 따라가 보았고, 잃은 픽셀이 모두 장면 배경 1단계에서 나왔습니다(3.5). 같은 자세 그림 80장(스타킹 40 · 맨다리 40, 무작위)에서 0.36 → 0.37:

묶음 캐릭터 지킴 % 배경 찾음 % 캐릭터 90% 미만 그림 지킴이 1%p 넘게 나아짐 · 나빠짐
검은 스타킹 72.1 → 83.1 96.5 → 96.1 28 → 16 12 · 5 ($p = 0.1435$)
맨다리 94.5 → 96.7 88.7 → 88.7 8 → 7 16 · 4 ($p = 0.0118$)
전체 83.3 → 89.9 92.6 → 92.4 36 → 23 28 · 9 ($p = 0.0026$)

AI 생성 그림 666장(배경 단계)에서는 144장의 배경이 0.1% 넘게 바뀌었고 138장은 배경이 줄었습니다(캐릭터로 돌아옴, 중앙값 0.39%, 가장 많이 33.7%). 바뀐 곳만 잘라 확대해 좌우 무작위로 놓고 판정하니 0.37이 나음 86 · 0.36이 나음 20 · 같음 38($p < 0.0001$)입니다. 나아진 그림은 흰 배경 위의 검은 머리 · 옷 · 망토, 짙은 색 무기 · 소품, 흰 배경에 닿은 글자 · 액자 그림이 대부분입니다. 나빠진 그림은 배경의 물방울 · 별 무늬, 글자 조각, 색 판 · 소품이 조각난 채 캐릭터 쪽에 남는 경우가 대부분이고, 어두운 배경 그림에서 배경 얼룩이 남는 경우도 있습니다. 똑바로 둔 정답 그림에서 AI 생성 그림 25장은 모든 지표가 같고, 합성 57장은 배경 찾음 93.1 → 92.9%, 캐릭터 지킴 99.4 → 98.9%입니다(어두운 배경 4장, 10).

확대 방식(앞으로의 검증에 씀): 666장에서 구간마다 16장(48장)을 면적 평균 · 한 칸 걸러 뽑기로 절반으로 줄였다가 2배로 되돌려 원본과 견주었습니다.

방식 PSNR(dB, 면적 평균으로 줄임) 윤곽 PSNR(밝기 기울기 상위 10%) SSIM 가장 가까운 그림 수
가장 가까운 픽셀 28.42 20.09 0.9029 1
쌍선형 28.13 20.43 0.8945 0
B-스플라인 26.86 19.31 0.8614 0
미첼(1/3, 1/3) 28.55 20.82 0.9026 0
캣멀–롬 29.31 21.54 0.9167 0
란초스 2 29.34 21.62 0.9168 0
란초스 3 29.66 22.04 0.9201 6
DCCI 29.96 22.29 0.9244 41

한 칸 걸러 뽑아 줄였을 때도 DCCI가 30.07 dB로 가장 높았습니다(48장 중 47장).

11.11 12분류 눈가림 · 역검증(0.37)

AI 생성 그림 666장에 사람이 붙인 조건 태그(인원 · 가림 · 초점 · 기울기 · 자세 · 시점 · 칠 · 선 스타일 · 옷 · 피사체와 배경 색 등, 그림마다 기본에서 벗어난 변인 수 𝑘)로 12분류를 만들고, 분류마다 그림 25장(표준은 맞는 그림이 14장뿐)에서 변형을 섞은 표본 120개, 모두 1440개(그림 289장)를 만들었습니다(고정 씨앗).

두 결과(배경으로 간 곳을 칠한 그림, 캐릭터 폴더 수)를 좌우 무작위(따로 뽑은 난수, 1440개를 모두 판정한 뒤 풂)로 놓고, 캐릭터를 지키고 배경을 뺀 정도를 먼저, 얼굴 · 이름을 그다음으로 보는 같은 기준으로 판정했습니다.

분류 그림 원래 크기(A)가 나음 2배로 키움(B)이 나음 같음 부호 검정
표준(기본에서 벗어난 변인 0~1개) 14 35 17 68 $p = 0.0175$
반대 상황(좌우 · 상하 반전) 25 14 8 98 $p = 0.2863$
기울어진 그림 25 36 11 73 $p = 0.0003$
자세(굽힘 · 앉음 · 누움 등) 25 35 8 77 $p < 0.0001$
크기(많이 작게 · 많이 크게) 25 24 13 83 $p = 0.0989$
변인 2개 결합 25 31 7 82 $p = 0.0001$
변인 3개 결합(옷 · 소품 포함) 25 24 18 78 $p = 0.4408$
변인 4개 결합(피사체 · 배경 색 비슷 포함) 25 18 15 87 $p = 0.7283$
변인 5개 결합(여러 인물 포함) 25 28 14 78 $p = 0.0436$
변인 6개 이상 결합(얼굴 조건 포함) 25 34 23 63 $p = 0.1849$
얼굴 조건(옆 · 뒤 · 눈 감음 · 가림) 25 23 15 82 $p = 0.2559$
기타(시점 · 초점 · 칠 · 선 스타일) 25 24 16 80 $p = 0.2682$
전체 289 326 165 949 $p < 0.0001$

결과가 갈린 491개 중 키움이 나은 비율은 33.6%(95% 윌슨 구간 29.6~37.9%)입니다. 처리 긴 변 구간마다 A : B는 600px 미만 54 : 28, 600~900px 88 : 39, 900~1200px 52 : 29, 1200~1600px 42 : 32, 1600px 이상 90 : 37로 어느 크기에서도 키움이 낫지 않았고, ±45° 꽉 채움에서 차이가 가장 컸습니다(94 : 22). 나누는 시간은 평균 10.2초 → 32.6초(3.2배)입니다. 두 판의 캐릭터 지도는 불투명 픽셀의 평균 93.0%가 같았고(하위 10%는 85.1% 이하), 캐릭터 폴더 수는 96.2%가 같았습니다. 그림을 키워 나누지 않는 지금 방식을 그대로 둡니다(7.5의 0.29 실험과 같은 결론).

역검증: 돌리거나 뒤집은 표본은 같은 크기에서 돌리지 · 뒤집지 않은 그림(기준)을 따로 나누고, 그 결과를 표본 좌표로 옮겨 표본의 불투명 픽셀에서 견주었습니다(일치는 캐릭터인지 아닌지가 같은 픽셀의 비율). 꽉 채워 자른 표본은 기준에 있던 가장자리가 잘려 나가므로, 그만큼 테두리 규칙이 다르게 걸리는 차이도 들어 있습니다.

변형 표본 A 일치 % A 캐릭터 IoU % B 일치 % B 캐릭터 IoU %
뒤집기만 251 97.5 96.1 93.4 88.4
±15°, 흰 모서리 234 91.3 85.7 88.7 80.8
±15°, 꽉 채움 246 85.9 79.5 83.7 75.9
±45°, 흰 모서리 244 87.5 80.8 86.3 79.0
±45°, 꽉 채움 236 76.1 69.5 71.2 64.3

파츠는 기준의 파츠(넓이 0.1% 이상)를 분류마다 120개씩 뽑아 표본에서 가장 많이 겹치는 파츠와의 IoU를 쟀습니다. 중앙값이 분류에 따라 24~42%(A), 0.5 이상인 파츠가 22~42%입니다. 기준 파츠 전부로 보면 뒤집기만 한 표본도 중앙값 0.49(0.5 이상 49%), 돌린 표본은 0.25~0.34로, 파츠를 나누는 경계는 뒤집기만 해도 절반가량 달라집니다. 배경 층과 캐릭터 지도는 A의 모든 표본에서 겹치는 픽셀도, 둘 다 아닌 픽셀도 없었습니다(B는 다수결로 되돌리며 평균 0.2% 겹침).

11.12 장면 배경 속 섬 되돌리기(0.38)

픽시브 AI 생성 그림 642장(300장 · 342장)을 묶음과 0.34 판정으로 층을 나눠 개발용 323장 · 시험용 319장으로 나눴습니다(고정 씨앗). 규칙과 문턱(4분의 1, 얼굴)은 개발용만 보고 정했고, 시험용은 규칙을 정한 뒤 한 번만 판정했습니다. 배경 지도가 0.1% 넘게 바뀐 그림(개발용 127장 · 시험용 114장)을 원본 · 왼쪽 · 오른쪽으로 놓고(좌우 무작위, 어느 쪽이 새 판인지 모르게), 배경으로 판정한 자리를 바둑판(또는 검정)으로 비운 캐릭터 층을 함께 보며 두 판에 각각 등급을 매긴 뒤 풀었습니다. 들어옴 · 빠짐은 같은 그림이 0.37 → 0.38에서 그 기준을 새로 통과한 · 놓친 수이고, 𝑝는 맥니마 정확 검정입니다(그림 수는 캐릭터가 있는 그림).

묶음 그림 수 큰 손실 없음 (들어옴 · 빠짐, 𝑝) 캐릭터 무손실 (들어옴 · 빠짐, 𝑝) 완벽 분리 등급 오름 · 내림
시험용 전체 110 85 → 96 (11 · 0, 0.0010) 60 → 85 (25 · 0, < 0.0001) 4 → 1 25 · 4
시험용 · 픽시브 AI 생성 그림 300장 57 45 → 50 (5 · 0, 0.063) 31 → 44 (13 · 0, 0.0002) 3 → 1 13 · 3
시험용 · 픽시브 AI 생성 그림 342장 53 40 → 46 (6 · 0, 0.031) 29 → 41 (12 · 0, 0.0005) 1 → 0 12 · 1
개발용 전체 121 80 → 107 (28 · 1, < 0.0001) 49 → 86 (39 · 2, < 0.0001) 3 → 1 45 · 5
개발용 · 픽시브 AI 생성 그림 300장 61 47 → 58 (11 · 0, 0.0010) 33 → 48 (16 · 1, 0.0003) 1 → 0 18 · 2
개발용 · 픽시브 AI 생성 그림 342장 60 33 → 49 (17 · 1, 0.0001) 16 → 38 (23 · 1, < 0.0001) 2 → 1 27 · 3

등급은 완벽 분리 > 캐릭터 온전(배경이 남음) > 작은 조각 손실 > 큰 손실 > 배경 못 찾음 순서입니다. 같은 시험용 114장을 좌우로 견줘 더 나은 쪽 하나를 고르게 하면 0.37이 나음 52 · 0.38이 나음 55 · 같음 7($p = 0.85$; 300장 32 · 26 · 2, 342장 20 · 29 · 5)로 비슷합니다. 되돌린 섬에 캐릭터에 붙은 배경 도형이 섞이면 배경이 덜 남은 0.37 쪽을 골랐기 때문이고(10), 등급으로는 시험용에서 “큰 손실 없음”을 놓친 그림이 없습니다. 떠 있는 장식까지 되돌리던 앞선 판(7.5)은 개발용에서 0.37보다 나음 66 · 나쁨 28 · 같음 43이었고, 4분의 1 조건을 더한 판이 그 판보다 나음 47 · 나쁨 9 · 같음 4였습니다.

642장 전체(바뀌지 않은 401장은 저장된 0.37 판정, 바뀐 241장은 이번 눈가림 판정을 두 판 모두에 씀)에서 0.37 → 0.38은 다음과 같습니다(괄호는 95% 윌슨 구간).

묶음 그림 수 큰 손실 없음 캐릭터 무손실 완벽 분리 큰 손실 배경 못 찾음
픽시브 AI 생성 그림 300장 285 78.9% (73.8~83.3) → 84.6% (79.9~88.3) 34.7 → 44.6% 4.6 → 3.5% 21.1 → 15.4% 0 → 0%
픽시브 AI 생성 그림 342장 329 68.7% (63.5~73.5) → 75.4% (70.4~79.7) 22.8 → 33.1% 2.4 → 1.8% 29.8 → 23.1% 1.5 → 1.5%
전체 614 73.5% (69.8~76.8) → 79.6% (76.3~82.6) 28.3 → 38.4% 3.4 → 2.6% 25.7 → 19.5% 0.8 → 0.8%

같은 그림 짝으로는 “큰 손실 없음”이 들어옴 39 · 빠짐 1입니다. 0.37을 따로 판정했던 값은 300장 78.0% · 342장 67.2% · 전체 72.2%(무손실 21.1%)로, “작은 조각 손실”과 “무손실”의 경계는 판정이 흔들리는 기준이라(위 엄격한 분리율) 무손실 비율은 이번 판정에서 더 높게 나왔습니다. 두 판의 차이는 같은 판정으로 매긴 위 짝 비교로 봐야 합니다.

11.13 다섯 대상 경우의 수 분류(0.39)

배경 · 밑색 · 얼굴 · 사물 · 몸(자세)이 어떤 경우에 잘되고 어떤 경우에 틀리는지, 정답이 있는 합성 그림 10,080장과 정답이 없는 AI 생성 그림 666장에서 0.39를 기본 설정으로 돌려 나눴습니다.

합성 그림(정답 채점): 자세 합성 그림의 인물을 다섯 대상마다 여러 수준으로 바꿔, 수준을 모두 엇갈려 그렸습니다. 배경 6(단색 · 그라데이션 · 어두운 단색 · 선으로 그린 방 · 줄무늬 · 보케) × 밑색 4(기본 · 흰 옷에 선 없이 이어진 색 띠 · 작은 색 면(단추 · 넥타이 · 리본) · 머리와 옷의 넓은 그림자) × 얼굴 6(정면 · 고개 60° 돌림 · 감은 눈 · 작은 얼굴(캐릭터를 화면의 42%로) · 어두운 피부 · 고개 35° 기울임) × 사물 5(없음 · 손에 든 가방 · 옆 바닥의 상자 · 몸 앞에 안은 공 · 손에 든 배경색 가방) × 자세 14 = 10,080장입니다. 그림과 함께 정답 지도(캐릭터 쪽 · 재질 · 밑색 · 몸 부위 10가지 · 사물이 속할 쪽 · 두 눈 위치)를 그리고, 정답 경계 둘레 3px는 빼고 채점했습니다. “잘됨”의 기준은 결과를 보기 전에 정했습니다. 배경은 찾은 배경 90% 이상, 몸은 보이는(30픽셀 이상) 몸 부위가 모두 90% 이상 캐릭터 쪽에 남음, 밑색은 300픽셀 넘는 재질(눈 제외)마다 정답 밑색과의 색차가 $\Delta E < 10$인 픽셀이 80% 이상, 얼굴은 두 눈이 보일 때 눈 사이 가운데 근처(얼굴 크기의 반 안)에서 크기 0.5~2배의 얼굴을 찾음, 사물은 사물 픽셀의 90% 이상이 맞는 쪽(든 것 · 안은 것은 캐릭터, 바닥에 놓인 것은 배경)에 감입니다. 얼굴이 보이지 않거나 사물이 없으면 그 대상은 세지 않습니다. 아래 눈가림 맞대기에 쓴 168장은 따로 한 번 더 돌렸고, 본 실행과 다섯 대상의 채점 값이 168/168장 모두 같았습니다.

대상 잘됨 95% 구간 80% 구간
배경 77.8% (7,838/10,080) 76.9~78.6 77.2~78.3
몸 72.0% (7,253/10,080) 71.1~72.8 71.4~72.5
밑색 23.6% (2,381/10,080) 22.8~24.5 23.1~24.2
얼굴 42.6% (4,294/10,080) 41.6~43.6 42.0~43.2
사물 79.5% (6,413/8,064) 78.6~80.4 78.9~80.1

사물이 있는 8,064장에서 다섯 대상이 모두 잘된 그림은 436장(5.4%)이고, 사물이 없는 그림(네 대상만 셈)까지 넣으면 세는 대상이 모두 잘된 그림은 596장(5.9%)입니다. 아래 표는 변인의 수준마다 잘됨 비율(%)이고, 수준마다 장수는 10,080을 그 변인의 수준 수로 나눈 값입니다(사물 없음은 사물 칸을 세지 않음).

변인 수준 배경 몸 밑색 얼굴 사물
배경 단색 98.8 88.5 18.6 36.7 86.5
  그라데이션 97.5 84.9 19.3 40.4 86.5
  어두운 단색 99.5 11.4 48.8 48.2 65.6
  선으로 그린 방 0.0 93.3 13.6 40.4 81.6
  줄무늬 72.2 93.0 19.7 41.2 75.1
  보케 98.5 60.7 21.8 48.8 81.7
밑색 기본 77.8 72.0 38.2 44.1 79.4
  흰 옷 + 색 띠 77.3 70.6 20.0 42.4 79.6
  작은 색 면 77.8 73.9 31.0 44.4 79.5
  넓은 그림자 78.1 71.3 5.3 39.5 79.7
얼굴 정면 77.3 73.2 24.3 73.3 77.8
  고개 60° 돌림 77.0 72.7 29.5 14.4 77.5
  감은 눈 77.2 71.6 26.1 48.3 77.6
  작은 얼굴 81.9 65.8 7.3 47.5 87.4
  어두운 피부 77.3 73.7 23.7 0.0 77.8
  고개 35° 기울임 76.0 74.6 30.8 72.1 79.0
사물 없음 79.0 72.0 23.6 41.3 —
  든 가방 79.0 71.2 22.6 43.1 99.7
  옆 바닥의 상자 72.7 72.5 21.0 43.2 37.1
  안은 공 79.0 72.0 28.5 42.2 100.0
  배경색 가방 79.1 72.0 22.4 43.2 81.3
자세 서 있음 83.3 76.0 15.0 46.7 87.3
  엉거주춤 83.3 75.8 4.6 55.7 77.3
  의자에 앉음 81.1 71.8 27.6 61.4 76.4
  주저앉음 81.0 71.4 41.7 64.6 74.5
  쪼그려 앉음 82.6 81.4 9.2 81.4 74.0
  무릎 꿇음 81.0 83.8 42.5 59.9 74.1
  엎드림 74.3 71.8 21.7 0.0 76.9
  책상에 엎드림 55.1 59.9 13.5 8.3 70.1
  누움(위에서) 69.0 67.6 13.1 1.7 88.2
  옆으로 누움 68.9 70.0 13.1 0.0 89.1
  달림 83.3 71.7 45.3 56.5 77.4
  뛰어오름 81.4 61.4 32.8 53.1 87.3
  한쪽 무릎 세움 81.0 74.2 22.5 59.0 73.8
  짝다리로 기댐 83.2 70.7 28.3 48.2 87.0

두 변인이 엇갈린 칸에서, 두 변인 각각의 비율로 예상한 값($\text{행 비율} + \text{열 비율} - \text{전체 비율}$)보다 가장 크게 떨어진 칸은 대상마다 다음과 같습니다.

대상 엇갈린 칸 잘됨 예상 그림
배경 줄무늬(배경) × 옆으로 누움(자세) 16.7% 63% 20/120
몸 그라데이션(배경) × 책상에 엎드림(자세) 30.0% 73% 36/120
밑색 작은 얼굴 × 달림(자세) 0.0% 29% 0/120
얼굴 작은 얼굴 × 달림(자세) 9.2% 61% 11/120
사물 어두운 단색(배경) × 배경색 가방(사물) 6.0% 67% 20/336

몸 부위 중 캐릭터 쪽에 90% 넘게 남지 못한 비율은 발 22.4% · 머리 12.3% · 치마 7.5% · 허벅지 3.5%이고, 재질 중 밑색이 틀린(맞는 픽셀 80% 미만) 비율은 단추 100.0% · 신발 52.6% · 머리카락 47.6% · 치마 17.7%입니다.

AI 생성 그림 666장(눈가림 판정): 0.39로 나눈 결과를 그림마다 판정 시트 한 장(원본 · 캐릭터 쪽 · 밑색 층 · 찾은 얼굴 · 파츠 · 배경으로 간 것)으로 만들고, 위 합성 그림 중 168장(다섯 변인에서 두 변인 수준의 모든 짝이 두 번 이상 나오도록 고름)의 시트와 무작위로 섞어 번호만 붙인 834장을 차례로 판정했습니다. 시트에는 그림 이름 · 묶음 · 조건이 없고, 판정 기준(A 잘됨 · B 작은 문제 · C 큰 문제 · N 못 찾음(배경 · 얼굴만) · - 해당 없음, 대상마다 문제 유형)은 판정 전에 정해 바꾸지 않았습니다. 사물은 캐릭터가 들거나 입은 것은 캐릭터, 떨어져 놓인 것 · 가구는 배경이 맞는 쪽입니다. “문제 없음”은 A · B이고, 구간은 윌슨 95%입니다.

대상 문제 없음 95% 구간 80% 구간 A · B · C · N 시험 24장 · 300장 · 342장(%)
배경 47.6% (313/657) 43.8~51.5 45.2~50.1 117 · 196 · 232 · 112 41.7 · 49.2 · 46.7
몸 75.4% (490/650) 71.9~78.5 73.2~77.5 323 · 167 · 160 · — 87.5 · 77.5 · 72.7
밑색 10.9% (71/650) 8.8~13.6 9.5~12.6 1 · 70 · 579 · — 4.2 · 9.6 · 12.6
얼굴 45.8% (295/644) 42.0~49.7 43.3~48.3 134 · 161 · 55 · 294 91.7 · 46.0 · 42.3
사물 52.8% (197/373) 47.7~57.8 49.5~56.1 129 · 68 · 176 · — 35.3 · 54.0 · 53.3

문제(B · C · N)에 붙인 유형은 대상마다 많은 순으로 다음과 같습니다(괄호는 그 유형을 붙인 장수).

대상 많이 붙은 유형
배경 장면 · 배경 그림(417), 글자 · 서명(200), 효과 · 빛(145)
몸 머리카락(161), 옷(147), 흰 · 옅은 부분(72)
밑색 다른 재질이 한 밑색(577), 누더기(467), 흰색 · 회색에 묻힌 색(171)
얼굴 놓침(423), 가짜(255), 옆 · 뒤 · 돌린 얼굴(66)
사물 떨어진 것이 캐릭터로(208), 든 것이 배경으로(37), 몸 파츠에 섞임(1)

잘됨 비율이 5% 아래인 수준은 배경에서 선으로 그린 방 0.0%, 밑색에서 엉거주춤 4.6%, 얼굴에서 어두운 피부 0.0% · 엎드림 0.0% · 누움(위에서) 1.7% · 옆으로 누움 0.0%입니다. 선으로 그린 방은 방의 선 · 가구 일부가 캐릭터 쪽에 남아 찾은 배경이 평균 51.8%에 머물고, 어두운 단색 앞에서는 짙은 갈색 머리 · 남색 치마 · 갈색 신발이 배경과 붙어 머리 52% · 발 88% · 치마 24%의 그림에서 그 부위를 잃었습니다. 어두운 피부($L^* = 43$)의 얼굴은 0.19에서 놓쳤던 피부 밝기 57 · 34와 같이 하나도 찾지 못했고, 고개를 돌리거나 눕거나 엎드린 얼굴도 대부분 놓칩니다. 넓은 그림자에서는 머리카락 82% · 신발 70%의 그림에서 그림자 쪽 색이 밑색이 되고, 단추는 대부분이 그늘로 칠해져 있어 그늘 색이 밑색이 됩니다(정답은 밝은 면의 색). 뒷머리는 얼굴 아래쪽을 그늘 색(밝은 면보다 어두운 색)으로 칠해 두었는데, 엉거주춤 · 쪼그려 앉음에서는 어깨 위로 드러난 뒷머리 중 그늘 쪽이 더 넓어 뒷머리의 밑색이 그늘 색이 됩니다(넓은 그림자를 뺀 그림에서 머리카락 밑색이 틀린 비율 엉거주춤 84% · 쪼그려 앉음 86%, 서 있음 22%).

조건 태그(위 세부 조건)로 나눠, 나머지 그림과의 차이가 유의한 것(피셔 정확 검정, 벤야미니–호흐베르크 5%) 가운데 몇 가지를 대상마다 적었습니다(문제 없음 비율, 통과/전체).

대상 나머지보다 낮음 나머지보다 높음
배경 선으로 그린 장면 배경 13.6%(6/44), 틀 · 카드 테두리 9.1%(2/22), 두꺼운 칠 · 붓 29.7%(46/155) 흰색 · 단색 배경 70.3%(147/209)
몸 어두운 장면 57.7%(41/71), 선 없음 61.5%(75/122) 선으로 그린 장면 배경 97.7%(42/43)
밑색 두꺼운 칠 · 붓 2.0%(3/152), 칠한 장면 배경 2.4%(3/125), 선 없음 4.1%(5/122) 흰색 · 단색 배경 20.2%(42/208)
얼굴 감은 눈 19.1%(13/68), 옆얼굴 18.5%(5/27), 크게 기울어짐 18.8%(6/32) 얼굴 · 상반신만 60.0%(117/195)
사물 선으로 그린 장면 배경 13.5%(5/37), 앉음 29.5%(26/88) 흰색 · 단색 배경 80.2%(73/91)

눈가림 판정의 맞대기 · 재판정: 섞어 넣은 합성 168장의 눈 판정(문제 없음 / 큰 문제)을 같은 그림의 정답 판정(잘됨 / 그 밖)과 맞대면 일치는 배경 97.6%($\kappa = 0.93$) · 몸 83.3%($\kappa = 0.47$) · 밑색 54.2%($\kappa = 0.16$) · 얼굴 89.3%($\kappa = 0.79$) · 사물 93.8%($\kappa = 0.84$)입니다. 몸은 정답으로 문제인 45장 중 28장을 눈으로 문제없다고 봐(부위 끝의 작은 손실을 B로 봄) 눈 판정이 너그럽고, 밑색은 정답 채점이 재질마다 픽셀의 색차를 재는 데 비해 눈 판정은 파츠가 누더기인지 · 다른 재질이 한 색으로 섞였는지를 보아 둘이 재는 것이 다릅니다(정답이 잘됨인 40장 중 9장을 눈으로 문제, 정답이 문제인 128장 중 68장을 문제없다고 봄). 같은 눈 판정으로 합성 168장과 AI 생성 그림을 견주면 문제 없음이 배경 80 → 48% · 몸 90 → 75% · 밑색 59 → 11% · 얼굴 52 → 46% · 사물 71 → 53%로, AI 생성 그림에서 특히 밑색과 배경이 어렵습니다. AI 생성 그림 시트 67장(10%)을 무작위로 골라 새 번호로 다시 섞어 판정한 재판정 일치는 배경 100.0%($\kappa = 1.00$, 66장) · 몸 95.2%($\kappa = 0.89$, 63장) · 밑색 95.2%($\kappa = 0.77$, 63장) · 얼굴 92.2%($\kappa = 0.84$, 64장) · 사물 85.4%($\kappa = 0.69$, 41장)입니다.

11.14 버전별 분해능

0.1부터 0.59e까지 모든 판을 같은 그림 · 같은 채점으로 다시 쟀습니다. 판마다 그 판의 코드를 그대로, 그 화면의 기본 설정으로 정답이 있는 그림 185장(합성 57장 · 캐릭터 윤곽 정답이 있는 AI 생성 그림 8장 · 자세 합성 120장)에 돌렸습니다. 배경 층의 알파가 128 이상인 픽셀을 배경, 나머지를 캐릭터로 보고, 투명 픽셀(알파 128 미만) · 정답 캐릭터 경계 둘레 3px · 글로우 픽셀은 채점에서 뺐습니다. 그림마다 균형 오분류율

\mathrm{BER}=\frac{(1-\text{지킨 캐릭터})+(1-\text{찾은 배경})}2,\qquad \text{분해능}=\frac1{\overline{\mathrm{BER}}},\qquad \text{0.1 대비}=\frac{\overline{\mathrm{BER}}_{0.1}}{\overline{\mathrm{BER}}_v}

풀이 — 왜: 배경 · 캐릭터 분리의 오류를 한 수로 재야 버전끼리 견줄 수 있습니다. 배경이 넓은 그림과 좁은 그림이 섞여 있으므로 두 쪽 오류를 같은 무게로 봅니다. 원리: 균형 오분류율 BER은 캐릭터를 잃은 비율과 배경을 놓친 비율의 평균이라, 한쪽이 대부분인 그림에서도 “모두 한쪽”으로 답하는 결과가 좋게 나오지 않습니다(그러면 BER = 0.5). 분해능은 평균 BER의 역수이고, 0.1 대비 배수는 두 평균 BER의 비입니다. 구간은 그림 단위 짝 부트스트랩(같은 그림 표본을 두 판에 함께 다시 뽑음)으로 구합니다. 참고: R54 Guyon et al. 2004 · R80 Efron 1979

를 재고($\mathrm{BER}$은 아무것도 나누지 않으면 0.5, 완벽하면 0), 185장 평균 $\mathrm{BER}$의 역수를 분해능으로 둡니다. 95% 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)의 2.5 · 97.5 백분위입니다. 러프 생성은 배경 층을 바꾸지 않아(판 8개 · 그림 2~3장씩에서 배경 지도가 픽셀 단위로 같음을 확인, 0.44의 새 러프도 그림 6장에서 러프를 켜고 끈 결과의 다른 층이 모두 같음) 시간을 줄이려 일부 판은 러프를 끄고 돌렸습니다. 그림 수가 많은 자세 합성의 비중이 크므로 묶음(합성 · AI 생성 · 자세)마다의 배수도 적었습니다. AI 생성 그림은 8장뿐이라 그 값은 흔들림이 큽니다.

판 바뀐 것 지킨 캐릭터 % 찾은 배경 % 평균 BER 분해능 0.1 대비(배) 95% 구간 합성 · AI 생성 · 자세(배)
0.1 첫 버전 96.5 72.8 0.1533 6.52 1(기준) — 1.00 · 1.00 · 1.00
0.2 일러스트레이터식 층 구조, 인터넷 없이 실행 96.5 72.8 0.1533 6.52 1.00 1.00~1.00 1.00 · 1.00 · 1.00
0.3 AI 생성 그림으로 다듬기, 작업 파일 층 95.2 75.4 0.1473 6.79 1.04 1.01~1.08 1.07 · 1.00 · 1.04
0.4 장면 배경과 정확한 선 80.8 85.1 0.1704 5.87 0.90 0.77~1.05 1.00 · 1.59 · 0.78
0.5 보정 도구 81.1 85.0 0.1696 5.90 0.90 0.77~1.06 1.01 · 1.67 · 0.78
0.6 잘린 부분 자동 판정, 올가미, 최대 파츠 수 81.1 84.6 0.1714 5.83 0.89 0.76~1.04 1.01 · 1.52 · 0.77
0.7 선으로 그린 배경 자동 분리 79.9 88.0 0.1605 6.23 0.95 0.80~1.15 0.96 · 1.90 · 0.85
0.8 레이어 모두 끄기 79.9 88.0 0.1605 6.23 0.95 0.80~1.15 0.96 · 1.90 · 0.85
0.9 끊기지 않는 러프 79.9 88.0 0.1605 6.23 0.95 0.80~1.15 0.96 · 1.90 · 0.85
0.10 딸려 들어간 캐릭터 부분 되돌리기, 전체 재검증 82.1 87.9 0.1498 6.67 1.02 0.85~1.23 0.96 · 1.91 · 0.95
0.11 그림을 재서 정하는 선 굵기 81.6 88.5 0.1496 6.69 1.02 0.85~1.24 1.00 · 1.91 · 0.93
0.12 얼굴을 찾아 배경 넓히기 80.7 88.8 0.1522 6.57 1.01 0.84~1.21 1.02 · 1.98 · 0.89
0.13 가짜 얼굴 거르기 80.7 88.9 0.1522 6.57 1.01 0.84~1.21 1.02 · 2.01 · 0.89
0.14 눈 · 피부 · 머리카락 이름 80.7 88.9 0.1522 6.57 1.01 0.84~1.21 1.02 · 2.01 · 0.89
0.15 캐릭터별 폴더 80.7 88.9 0.1522 6.57 1.01 0.84~1.21 1.02 · 2.01 · 0.89
0.16 외곽 글로우 층 80.7 88.9 0.1522 6.57 1.01 0.84~1.21 1.02 · 2.02 · 0.89
0.17 붓 그림 밑색 정리 80.7 88.9 0.1522 6.57 1.01 0.84~1.21 1.02 · 2.02 · 0.89
0.18 이름 붙이기 재검증 80.7 88.7 0.1530 6.54 1.00 0.83~1.21 1.00 · 2.02 · 0.89
0.19 배경 · 얼굴 · 캐릭터 · 글로우 · 붓 그림 정리 재검증 85.7 89.8 0.1225 8.16 1.25 1.03~1.52 3.05 · 2.02 · 0.90
0.20 처음 보는 그림 300장으로 검증 85.7 89.8 0.1226 8.16 1.25 1.03~1.52 3.05 · 2.02 · 0.90
0.21 흰 배경 위의 흰 옷 86.3 89.7 0.1196 8.36 1.28 1.06~1.55 3.04 · 2.02 · 0.93
0.22 가짜 얼굴이 붙이던 이름 · 폴더 줄이기 86.3 89.7 0.1196 8.36 1.28 1.06~1.55 3.04 · 2.02 · 0.93
0.23 보정 뒤 다시 나누기를 빠르게 86.3 89.7 0.1196 8.36 1.28 1.06~1.55 3.04 · 2.02 · 0.93
0.24 두 사람 그림의 폴더, 창백한 피부 이름 86.3 89.7 0.1196 8.36 1.28 1.06~1.55 3.04 · 2.02 · 0.93
0.25 얼굴 없는 그림의 “피부” 색 이름 없애기 86.3 89.7 0.1196 8.36 1.28 1.06~1.55 3.04 · 2.02 · 0.93
0.26 새 그림 342장 검증, 배경 없는 그림의 빈 배경 층, 얼굴과 배경 결과의 관계 86.3 89.7 0.1196 8.36 1.28 1.06~1.55 3.04 · 2.02 · 0.93
0.27 평평한 배경에서 얼굴 기준 넓히기 생략, 세부 조건별 결과 87.0 89.6 0.1167 8.57 1.31 1.09~1.59 3.04 · 2.02 · 0.96
0.28 떨어진 머리카락 조각의 이름 떼기 87.0 89.6 0.1167 8.57 1.31 1.09~1.59 3.04 · 2.02 · 0.96
0.29 큰 그림의 색 걸음 문턱을 그림 크기 비율로 87.1 89.6 0.1164 8.59 1.32 1.09~1.59 3.04 · 2.02 · 0.96
0.30 큰 그림은 줄여서 나누기(설정) 87.1 89.6 0.1164 8.59 1.32 1.09~1.59 3.04 · 2.02 · 0.96
0.31 선으로 둘러싸인 곳은 배경으로 가져가지 않기 87.1 89.1 0.1188 8.42 1.29 1.08~1.55 3.05 · 1.70 · 0.96
0.32 배경을 못 찾는 그림 줄이기 87.1 89.1 0.1188 8.42 1.29 1.08~1.55 3.05 · 1.70 · 0.96
0.33 캐릭터 층 검증, 캐릭터 사이로 보이는 배경(틈) 87.1 89.2 0.1186 8.43 1.29 1.08~1.55 3.05 · 1.70 · 0.96
0.34 한계 다시 풀기: 흰 배경의 좁은 틈, 좌우 합의 얼굴, 검은 머리 되돌리기 87.8 89.2 0.1150 8.70 1.33 1.11~1.61 3.73 · 1.70 · 0.97
0.35 층 이름 “색 트레이스”, 예전 PSD 층 이름 바꾸기 도구 87.8 89.2 0.1150 8.70 1.33 1.11~1.61 3.73 · 1.70 · 0.97
0.36 예전 PSD 층 이름 고치기를 프로그램 안으로 87.8 89.2 0.1150 8.70 1.33 1.11~1.61 3.73 · 1.70 · 0.97
0.37 기울어진 그림, 검은 옷이 배경으로 새는 것 막기 91.0 89.0 0.0999 10.01 1.53 1.29~1.84 3.46 · 1.70 · 1.18
0.38 장면 배경에 넘어간 선 없는 옷 · 다리 되돌리기 94.6 88.2 0.0862 11.60 1.78 1.50~2.14 3.43 · 1.70 · 1.44
0.39 밑색: 흰색에 묻힌 색 · 작은 색 면 · 그림자 밑색 94.6 88.2 0.0862 11.60 1.78 1.50~2.14 3.43 · 1.70 · 1.44
0.40 선으로 그린 방의 바닥 94.6 91.1 0.0716 13.96 2.14 1.79~2.61 3.43 · 1.70 · 1.90
0.41 테두리에서 잘린 머리카락 끝 · 소매 되돌리기 94.6 91.0 0.0718 13.93 2.14 1.79~2.60 3.43 · 1.69 · 1.90
0.42 검은 다리 · 옷을 배경으로 덜 보내기 95.4 91.0 0.0680 14.71 2.25 1.89~2.75 3.43 · 1.68 · 2.07
0.43 어두운 캐릭터 부분 · 선으로 그린 배경 물건 99.5 95.3 0.0259 38.58 5.91 4.33~8.63 9.43 · 1.67 · 10.56
0.44 사람이 그은 듯한 러프 99.5 95.3 0.0259 38.58 5.91 4.33~8.63 9.43 · 1.67 · 10.56
0.45 러프 세부 지키기 99.5 95.3 0.0259 38.58 5.91 4.33~8.63 9.43 · 1.67 · 10.56
0.46 두 가지 러프(컨셉 · 다듬기) 99.5 95.3 0.0259 38.58 5.91 4.33~8.63 9.43 · 1.67 · 10.56
0.47 따라 긋는 러프 99.5 95.3 0.0259 38.58 5.91 4.33~8.63 9.43 · 1.67 · 10.56
0.48 이름용 얼굴의 머리 구조 단서 · 단계별 채색 폴더 · 배경 개선 순환 8주기 99.5 95.3 0.0259 38.58 5.91 4.33~8.63 9.43 · 1.67 · 10.56
0.49 신경망 보조(통계식과 신경망이 함께 배경이라 할 때만 남은 배경 지우기) 99.5 95.5 0.0250 40.03 6.14 4.50~8.91 9.43 · 1.80 · 10.56
0.50 신경망 보조 강화(통계식 점수와 신경망 점수를 한 식으로 묶어 지우기) 99.5 95.7 0.0240 41.75 6.40 4.73~9.25 9.67 · 1.90 · 10.96
0.51 누끼 모델(애니 캐릭터 분할 신경망을 8비트로 줄여 앱 안에 넣음)로 캐릭터를 정함 98.1 99.0 0.0146 68.59 10.51 6.80~17.77 7.32 · 4.34 · 24.51
0.52 누끼 모델 확률에 기존 방식(신경망 + 통계식)의 판정을 더해 캐릭터를 정함(코어 뒤 단계 없이) 98.5 98.8 0.0135 73.90 11.33 7.13~20.43 8.13 · 3.96 · 33.16
0.53 누끼 모델이 캐릭터를 거의 찾지 못한 그림은 기존 방식(신경망 + 통계식)의 판정을 그대로 씀 99.0 98.7 0.0115 87.23 13.37 9.24~22.15 13.13 · 3.96 · 33.16
0.54 누끼 모델을 미세 학습한 판을 원래 모델과 함께 돌려 두 확률의 가중 평균(0.6 · 0.4)과 문턱 0.55로 캐릭터를 정함(출시 앱 그대로 다시 잰 값, 12의 0.55 정정) 99.4 98.6 0.0104 96.51 14.80 10.09~24.70 24.77 · 3.88 · 29.04
0.55 효과(글로우 · 파티클 · 빛줄기)를 배경으로 세도록 누끼 모델을 더 학습한 판을 원래 모델과 함께 돌려 두 확률의 평균(0.5 · 0.5)과 문턱 0.55로 캐릭터를 정함 99.5 98.7 0.0088 114.28 17.52 11.87~29.98 55.71 · 4.06 · 33.24
0.56 캐릭터를 뺀 자리의 배경을 신경망(big-lama)과 패치 맞춤으로 추정해 채운 ‘배경 메꿈’ 층을 ‘배경’ 층 바로 위에 넣음(배경 층은 그대로라 185장 모두 0.55와 바이트 단위로 같음) 99.5 98.7 0.0088 114.28 17.52 11.87~29.98 55.71 · 4.06 · 33.24
0.57 러프 2를 G펜으로 선화 따라 긋기(지역 대비 선 · 펜 굵기 · 필압 · 손떨림 보정), 러프 1은 연필 결(배경 층은 그대로라 185장 모두 0.55와 바이트 단위로 같음) 99.5 98.7 0.0088 114.28 17.52 11.87~29.98 55.71 · 4.06 · 33.24
0.58 러프 2의 굵은 선(눈 테두리 · 속눈썹)을 두 크기 창으로 가운데 한 줄로(배경 층은 그대로라 185장 모두 0.55와 바이트 단위로 같음) 99.5 98.7 0.0088 114.28 17.52 11.87~29.98 55.71 · 4.06 · 33.24
0.59e 러프 2에 필압 곡선 · 선 중요도 진하기 · 덧긋기, 눈 · 입 상자 따라 긋기(배경 층은 그대로라 185장 모두 0.55와 바이트 단위로 같음) 99.5 98.7 0.0088 114.28 17.52 11.87~29.98 55.71 · 4.06 · 33.24
0.59h 앱 파일 안의 도움말을 빼고 도움말 버튼이 같은 폴더의 도움말 파일을 엶(코어 · 모델이 0.59e와 바이트 단위로 같아 185장 모두 0.55와 같음) 99.5 98.7 0.0088 114.28 17.52 11.87~29.98 55.71 · 4.06 · 33.24
0.59i 예제 그림 버튼이 앱에 넣어 둔 그림 10장 중 하나를 무작위로 엶(코어 · 모델이 0.59h와 바이트 단위로 같아 185장 모두 0.55와 같음) 99.5 98.7 0.0088 114.28 17.52 11.87~29.98 55.71 · 4.06 · 33.24 
xychart-beta
    title "버전별 분해능 (0.1 = 100%)"
    x-axis ["0.1", "0.2", "0.3", "0.4", "0.5", "0.6", "0.7", "0.8", "0.9", "0.10", "0.11", "0.12", "0.13", "0.14", "0.15", "0.16", "0.17", "0.18", "0.19", "0.20", "0.21", "0.22", "0.23", "0.24", "0.25", "0.26", "0.27", "0.28", "0.29", "0.30", "0.31", "0.32", "0.33", "0.34", "0.35", "0.36", "0.37", "0.38", "0.39", "0.40", "0.41", "0.42", "0.43", "0.44", "0.45", "0.46", "0.47", "0.48", "0.49", "0.50", "0.51", "0.52", "0.53", "0.54", "0.55", "0.56", "0.57", "0.58", "0.59e", "0.59h", "0.59i"]
    y-axis "분해능 (%)" 0 --> 1800
    line [100, 100, 104, 90, 90, 89, 95, 95, 95, 102, 102, 101, 101, 101, 101, 101, 101, 100, 125, 125, 128, 128, 128, 128, 128, 128, 131, 131, 132, 132, 129, 129, 129, 133, 133, 133, 153, 178, 178, 214, 214, 225, 591, 591, 591, 591, 591, 591, 614, 640, 1051, 1133, 1337, 1480, 1752, 1752, 1752, 1752, 1752, 1752, 1752]

0.4부터 장면 배경을 찾으면서 AI 생성 그림의 배경을 찾게 됐지만(찾은 배경 0 → 46%) 합성 · 자세 합성 그림의 캐릭터도 함께 가져가(지킨 캐릭터 96.8 → 83.7% · 94.1 → 78.7%), 0.4부터 0.18까지는 0.1과 비슷하거나 낮았습니다. 0.19에서 합성 그림의 캐릭터를 되찾았고(82.0 → 97.7%), 자세 합성 그림의 지킨 캐릭터는 0.37 · 0.38에서 81.6 → 86.7 → 91.9%로 올라 자세 묶음의 배수가 0.97 → 1.18 → 1.44배가 됐습니다. 0.40은 선으로 그린 방의 바닥을 찾아 자세 합성 그림 18장의 찾은 배경이 늘어(지킨 캐릭터는 그대로) 자세 묶음의 배수가 1.44 → 1.90배가 됐습니다. 0.41은 테두리에서 잘린 머리카락 끝 · 소매를 되돌리면서 AI 생성 그림 t29의 지킨 캐릭터가 늘었지만, 그 그림과 AI 생성 그림 1장 · 자세 합성 1장에서 배경이 조금 더 남아 0.40보다 조금 낮습니다(평균 BER 0.0716 → 0.0718, 2.140 → 2.136배). 0.42는 얼굴 기준 넓히기와 장면 배경이 검은 다리 · 옷을 덜 가져가, 자세 합성 그림 18장이 바뀌고 지킨 캐릭터가 92.0 → 93.2%로 늘어 자세 묶음의 배수가 1.90 → 2.07배가 됐습니다. AI 생성 그림 8장 중 6장은 배경이 조금 더 남아(찾은 배경 평균 41.5 → 41.1%) AI 생성 묶음은 1.69 → 1.68배이지만, 전체로는 0.41보다 높습니다(평균 BER 0.0718 → 0.0680, 2.136 → 2.254배). 0.43은 어두운 배경 위의 검은 머리카락 · 치마 · 다리를 되돌리고(자세 합성의 지킨 캐릭터 93.2 → 99.6%), 선으로 그린 방의 창문 · 선반 · 바닥을 더 찾아 (찾은 배경 합성 92.2 → 97.5%, 자세 합성 93.8 → 97.9%) 합성 묶음이 3.43 → 9.43배, 자세 묶음이 2.07 → 10.56배가 됐습니다(평균 BER 0.0680 → 0.0259). AI 생성 그림 8장은 5장에서 배경이 조금 더 남아(찾은 배경 평균 41.1 → 40.9%) AI 생성 묶음이 1.68 → 1.67배입니다. 185장 중 177장이 합성 그림이라 전체 배수가 크게 뛰었고, AI 생성 그림에서 나아진 폭은 12의 0.43 항목(AI 생성 그림 777장의 눈가림 성분 채점)과 11.15의 눈가림 시험으로 봐야 합니다. 0.44 ~ 0.48은 러프 · 이름용 얼굴 · 채색 폴더만 바꿔(0.48의 배경 개선 순환 8주기는 채택된 후보가 없음) 185장 모두 배경 지도가 0.43과 바이트 단위로 같습니다. 0.49는 신경망 보조로 AI 생성 그림 8장 중 5장에서 배경을 더 찾아(찾은 배경 평균 40.9 → 45.3%, 지킨 캐릭터 99.2 → 99.1%, 5장 모두 BER이 낮아짐) AI 생성 묶음이 1.67 → 1.80배가 됐고, 합성 · 자세 합성 177장은 배경 지도가 0.48과 바이트 단위로 같습니다(평균 BER 0.0259 → 0.0250, 5.91 → 6.14배). 0.50은 같은 통계식 · 신경망 점수를 한 식으로 묶어 185장 중 26장이 바뀌었고(BER 좋아짐 19 · 나빠짐 7), AI 생성 그림 8장의 찾은 배경이 45.3 → 48.4%(지킨 캐릭터 99.1 → 98.8%)가 되고 합성 · 자세 합성도 배경을 조금 더 찾았습니다(평균 BER 0.0250 → 0.0240, 6.14 → 6.40배). 0.51은 누끼 모델로 캐릭터를 정해 0.50과 비교해 185장 중 170장이 바뀌었습니다(BER 좋아짐 118 · 나빠짐 52). AI 생성 그림 8장의 찾은 배경이 48.4 → 82.7%로 늘고 지킨 캐릭터는 98.8 → 94.2%로 줄었으며, 자세 합성 묶음은 10.96 → 24.51배로 오르고 합성 묶음은 9.67 → 7.32배로 내려갔습니다(평균 BER 0.0240 → 0.0146). 0.52는 모델 확률에 기존 방식의 판정을 더해 0.51과 비교해 185장 중 167장이 바뀌었습니다(BER 좋아짐 73 · 나빠짐 94). AI 생성 그림 8장의 지킨 캐릭터 94.2 → 96.4% · 찾은 배경 82.7 → 78.3%, 합성 묶음 7.32 → 8.13배 · 자세 합성 묶음 24.51 → 33.16배(평균 BER 0.0146 → 0.0135)입니다. 이 185장은 0.52의 후보를 고르는 데 쓰지 않았습니다(합성 498장과 게시물 누끼 14장으로 고름, 7.5). 0.53은 185장 중 1장만 0.52와 다릅니다. 합성 그림 lineless_scene(선 없는 캐릭터 · 장면 배경)에서 모델이 캐릭터를 거의 찾지 못해 기존 방식의 판정을 그대로 썼고(BER 0.500 → 0.118), 평균 BER이 0.0135 → 0.0115, 합성 묶음이 8.13 → 13.13배로 오른 것은 모두 이 1장 때문입니다. 나머지 184장은 0.52와 같고, 95% 구간도 0.52(7.13~20.43배)와 거의 겹칩니다. 이 185장은 0.53의 규칙을 만드는 데 쓰지 않았습니다. 0.54는 두 모델의 가중 평균이라 185장 중 154장이 0.53과 다릅니다(BER 좋아짐 119 · 나빠짐 35; 바뀐 그림은 합성 42 · AI 생성 8 · 자세 합성 104장). 평균 BER 0.0115 → 0.0104, 0.1 대비 13.37 → 14.80배로 0.53보다 높습니다. AI 생성 그림 8장은 지킨 캐릭터 96.4 → 97.0% · 찾은 배경 78.3 → 77.3%(3.96 → 3.88배), 합성 묶음 13.13 → 24.77배, 자세 합성 묶음 33.16 → 29.04배입니다. 이 값은 0.55를 내면서 출시 앱 그대로(두 확률 0.6 · 0.4) 다시 잰 것으로, 0.54를 낼 때 적은 값(15.06배, 155장 다름)은 측정 벤치가 두 확률을 단순 평균(0.5 · 0.5)으로 섞은 판의 값이었습니다(12의 0.55 정정). 이 185장은 0.54의 모델 학습 · 규칙 고르기에 쓰지 않았습니다. 0.55는 더 학습한 판을 효과 학습 판으로 바꾸고 두 확률을 같은 무게로 평균해 185장 중 140장이 0.54와 다릅니다(BER 좋아짐 68 · 나빠짐 72; 바뀐 그림은 합성 37 · AI 생성 8 · 자세 합성 95장). 평균 BER 0.0104 → 0.0088, 0.1 대비 14.80 → 17.52배로 0.54보다 높습니다. AI 생성 그림 8장은 지킨 캐릭터 97.0 → 96.4% · 찾은 배경 77.3 → 78.9%(3.88 → 4.06배), 합성 묶음 24.77 → 55.71배, 자세 합성 묶음 29.04 → 33.24배입니다. 가장 많이 바뀐 그림은 lineless_scene(BER 0.1175 → 0.0165)입니다. 이 185장은 0.55의 모델 학습 · 고르기에 쓰지 않았습니다. 0.56은 ‘배경’ 층을 바꾸지 않고 그 위에 ‘배경 메꿈’ 층을 더한 것이라, 185장 모두 배경 지도가 0.55와 바이트 단위로 같습니다(같은 앱 코드로 다시 돌려 확인, 배수 17.52배 그대로). 0.57 · 0.58 · 0.59e는 러프만 바꿔, 185장 모두 배경 지도가 0.55와 바이트 단위로 같습니다(0.59e 앱 코드로 245장을 다시 돌려 확인, 0.58 앱 코드로 그중 122장 · 0.57 앱 코드로 45장도 확인, 배수 17.52배 그대로).

11.15 눈가림 시험(0.1 · 0.59e · 0.59h · 0.59i)

정답이 없는 AI 생성 그림으로도 견주려고, 픽시브 AI 생성 그림 642장 중 캐릭터가 있는 그림에서 일관된 세트(300장)와 섞인 세트(342장)마다 30장씩 60장을 뽑아(씨앗 20261002) 0.1과 최근 판들을 돌렸습니다. 그림마다 서로 다른 결과만 모아(결과가 같은 판은 한 칸) 무작위 글자를 붙이고, 판을 섞어 어느 판인지 모르게 원본 옆에 놓아 칸마다 등급(완벽 분리 · 캐릭터 온전 · 작은 조각 손실 · 큰 손실 · 배경 못 찾음)을 매긴 뒤 풀었습니다. “큰 손실 없음”은 완벽 분리 · 캐릭터 온전 · 작은 조각 손실, “캐릭터 무손실”은 완벽 분리 · 캐릭터 온전이고, 괄호 안은 장수와 윌슨 95% 구간입니다.

판 큰 손실 없음 캐릭터 무손실 큰 손실 배경 못 찾음 300장 · 342장(큰 손실 없음)
0.1 31.7% (19/60, 21.3~44.2) 26.7% 6.7% 61.7% 10/30 · 9/30
0.59e 86.7% (52/60, 75.8~93.1) 76.7% 8.3% 5.0% 25/30 · 27/30
0.59h 86.7% (52/60, 75.8~93.1) 76.7% 8.3% 5.0% 25/30 · 27/30
0.59i 86.7% (52/60, 75.8~93.1) 76.7% 8.3% 5.0% 25/30 · 27/30

0.56 · 0.57 · 0.58 · 0.59e · 0.59h · 0.59i는 ‘배경’ 층을 바꾸지 않아 60장의 배경 지도가 0.55와 바이트 단위로 같으므로(0.56 · 0.59e 앱 코드로 다시 돌려 확인, 0.57 · 0.58은 러프 함수 밖의 코드가 0.59e와 같음, 0.59h · 0.59i는 코어가 0.59e와 바이트 단위로 같음) 같은 칸이고, 0.55 때 매긴 판정을 그대로 씁니다(0.39 = 0.38 때와 같은 방식; 배경 메꿈 층 · 러프는 배경 지도에 들어가지 않음). 0.55를 내면서는 앞 판정을 가져다 쓰지 않고 0.1 · 0.53 · 0.54 · 0.55 네 판을 한자리에서 처음부터 다시 함께 매겼습니다(0.53은 86.7 → 81.7%). 판마다 그 판의 앱 코드를 그대로, 기본 설정(누끼 모델 켬)으로 돌렸고, 0.54는 출시 앱과 같은 가중 평균(0.6 · 0.4)으로 다시 돌린 결과입니다(0.54를 낼 때의 눈가림은 측정 벤치가 두 확률을 단순 평균한 판이었음, 12의 0.55 정정). 네 채점자가 15장씩 나눠, 어느 판인지 모르는 채 매겼습니다(한 그림의 모든 칸은 한 채점자가 매김). 0.55는 58장에서 0.54와 결과가 다릅니다(칸 수: 2칸 2 · 3칸 1 · 4칸 57장). 같은 그림 짝으로 보면 0.54 → 0.55는 “큰 손실 없음” 들어옴 1 · 빠짐 0($p = 1.00$), 등급 오름 2 · 내림 6입니다. 0.53 → 0.55는 들어옴 3 · 빠짐 0($p = 0.25$), 0.1 → 0.55는 들어옴 35 · 빠짐 2($p = 1.0 \times 10^{-8}$), 0.53 → 0.54는 들어옴 3 · 빠짐 1($p = 0.62$)입니다. 0.54 때 함께 매긴 판정(0.1 26.7% · 0.52 83.3% · 0.53 86.7% · 0.54 86.7%)과 비율이 다른 것은 채점자가 바뀐 몫과 0.54 지도가 바뀐 몫입니다. 채점자마다 무엇을 캐릭터로 보는지(손에 든 물건 · 동물 · 배경 속 인물)가 조금씩 달라, 비율의 크기는 채점자에 따라 흔들립니다. 비율의 크기보다 같은 기준으로 함께 매긴 판 사이의 차이로 읽어야 합니다.

캐릭터를 잃은 칸(작은 조각 손실 · 큰 손실)에는 채점자가 까닭으로 보이는 모습을 함께 골랐습니다(여럿 가능). 그림마다 한 번씩 센 수입니다.

판 배경색 비슷 테두리 효과 인외 기울임 가려짐 기타
0.59e 10 2 2 3 1 0 1
0.59h 10 2 2 3 1 0 1
0.59i 10 2 2 3 1 0 1

“배경색 비슷”은 캐릭터와 배경의 색이 비슷한 곳, “테두리”는 그림 가장자리에 잘린 부분, “효과”는 빛 · 오라가 캐릭터에 걸친 곳, “인외”는 사람 모양이 아닌 몸 · 날개 · 꼬리, “기울임”은 눕거나 기울어진 자세, “가려짐”은 소품 등에 가린 캐릭터입니다. 0.57 · 0.58 · 0.59e 줄은 0.55와 같은 판정입니다(0.54 줄은 12의 0.55 항목, 0.56 줄은 12의 0.58 항목). 12절 0.59i 항목 끝의 표는 0.1의 분해능을 100%로 둔 비율과 이 “큰 손실 없음” 비율을, 각각의 95% · 80% 구간과 함께 네 판 나란히 적은 것입니다.

11.16 게시물에 함께 올라온 누끼 14장(0.51)

AI 생성 그림의 픽셀 단위 정답을 사람 손 없이 얻으려고, 올린 사람이 한 게시물에 같은 그림을 배경 있는 판과 배경 없는 판으로 함께 올린 경우를 모았습니다. 배경 없는 판이 투명 PNG이면 그 알파가, 단색 바탕이면 바탕색이 아닌 픽셀이 게시물에 함께 올라온 캐릭터(누끼)입니다. 두 판의 캐릭터 픽셀 색이 맞는지(가운데 ΔE 3 이하, ΔE 8 이하가 85% 또는 90% 이상)와 배경 있는 판의 배경이 단색 · 흰색이 아닌지를 자동으로 검사했습니다. 픽시브 여러 장 게시물 165개(배경 차분 · 배경 투명 · 배경 없음 등의 태그, 전연령, 보류 · 고정 그림 제외)에서 게시물 12개의 16장이 검사를 통과했고, 장식 틀 1장(캐릭터가 아님)과 바탕색 판이 다른 그림이라 정답이 잘못 만들어진 1장을 빼고 14장으로 쟀습니다. 채점은 185장과 같습니다(정답 경계 둘레 3px, 두 판이 같은 색이라 알 수 없는 픽셀 제외).

판 지킨 캐릭터 % 찾은 배경 % 평균 BER
0.50 99.1 59.7 0.2060
0.51 88.3 94.7 0.0851
0.52 90.4 94.0 0.0778
0.53 97.6 92.5 0.0497
0.54 99.2 91.7 0.0456
0.55 98.5 92.7 0.0440

0.51은 14장 중 12장에서 BER이 낮아졌고 1장에서 높아졌습니다. 높아진 1장은 사람 모양이 아닌 캐릭터(이상해씨 팬아트)로, 캐릭터를 전혀 찾지 못했습니다. 1장은 투명한 픽셀이 있어 누끼 모델을 쓰지 않아 0.50과 같습니다. 작가가 오라 불꽃을 캐릭터에 넣은 그림은 오라를 배경으로 보내 지킨 캐릭터가 74%였지만, 배경을 더 찾아 BER은 낮아졌습니다. 0.52는 0.51과 견줘 14장 중 10장에서 BER이 낮아지고 2장에서 높아졌습니다(평균 0.0851 → 0.0778). 이 14장은 0.52 후보를 고르는 데 썼으므로 0.52의 값은 바깥 추정이 아닙니다. 0.53은 0.52와 견줘 14장 중 1장(이상해씨 팬아트, 0.500 → 0.106)에서 BER이 낮아지고 나머지는 같습니다(평균 0.0778 → 0.0497). 0.53의 규칙은 이 그림을 보고 만들었으므로 이 값도 바깥 추정이 아닙니다. 0.54는 0.53과 견줘 14장 중 7장에서 BER이 낮아지고 4장에서 높아졌습니다(평균 0.0497 → 0.0456, 지킨 캐릭터 97.6 → 99.2%, 찾은 배경 92.5 → 91.7%; 출시 앱 그대로 다시 잰 값, 0.54를 낼 때 적은 0.0471은 두 확률을 단순 평균한 벤치의 값). 0.54의 섞기 무게 · 문턱은 이 14장으로 골랐으므로(12의 0.54) 이 값도 바깥 추정이 아닙니다. 0.55는 0.54와 견줘 14장 중 7장에서 BER이 낮아지고 4장에서 높아졌으며 3장은 같습니다(평균 0.0456 → 0.0440, 지킨 캐릭터 99.2 → 98.5%, 찾은 배경 91.7 → 92.7%). 0.55의 w도 이 14장으로 관문을 걸어 골랐으므로 바깥 추정이 아닙니다. 이 그림들은 개발 · 검증용으로만 쓰고 저장소에 올리지 않았습니다.

11.17 배경 메꿈(0.56)

배경 메꿈 층(3.5)은 정답이 있는 합성 177장과 정답이 없는 픽시브 AI 생성 그림 120장으로 쟀습니다. 합성 177장(nm2 57 · 자세 120)은 같은 생성기로 캐릭터 없이 배경만 다시 그려 정답을 만들었고(자세 합성은 의자 · 책상까지 그려 캐릭터 밖 픽셀이 원본과 같음), 메꿈 층이 덮는 구멍 H(캐릭터 자리 + 둘레 띠) 안에서 메꿈 결과와 정답의 색 차이 MAE(0~255, RGB 평균)를 잽니다. 구멍 · 아는 배경은 정답 캐릭터 지도로 두어(앱의 배경 판정과 무관) 메꾸기 자체를 봅니다. 견준 것은 흰색 그대로(0.55까지의 모습) · 패치만(신경망 없이) · 신경망만(big-lama 추정을 올리고 이음매 보정만) · 신경망 + 패치(0.56 기본)입니다.

배경 종류 장수 흰색 패치만 신경망만 신경망 + 패치
단색 6 12.0 0.0 2.0 0.0
그라데이션 6 22.7 0.4 2.4 1.1
어두운 단색 6 223.0 0.0 0.8 0.0
줄무늬 6 29.2 2.0 6.7 0.4
보케 6 167.7 9.2 9.8 9.0
선으로 그린 장면 6 66.0 18.3 6.0 2.9
선 없는 장면 2 44.0 8.4 3.5 1.5
글로우가 있는 5 98.8 12.3 76.7 38.2
여럿 2 17.5 0.3 1.2 0.2
얼굴 변형 11 12.0 0.0 2.9 0.1
따라 긋기 1 12.0 0.0 2.3 0.0
자세 합성 120 91.8 3.7 4.0 1.9
전체 177 84.20 3.94 6.08 2.82

글로우 5장은 이 측정에서 글로우 띠를 모르는 영역으로 두어(앱에서는 글로우 아래 밑색을 아는 영역으로 씀) 신경망이 보는 구멍이 캐릭터 + 글로우 띠로 커지고, 그 추정이 크게 빗나가 신경망만 76.7 · 신경망 + 패치 38.2로 패치만(12.3)보다 나쁩니다. 큰 구멍에서 신경망 추정이 틀리면 섞기가 그것을 쓰는 한계이며, 장면 · 줄무늬 · 자세 합성의 이득이 평균을 끌어올립니다. 이음매: 구멍 경계에서 8px 안 띠의 MAE는 신경망 + 패치 1.96 · 신경망만 3.99 · 패치만 2.91(흰색 85.6), 경계 짝(구멍 픽셀과 바로 바깥 아는 픽셀)의 |채움 − 원본| 평균에서 정답의 같은 값(0.53)을 뺀 “단차 초과”는 0.41 · 0.90 · 1.20입니다. 막 보정은 신경망만 쓸 때 단차 초과를 크게 줄이고(개발 중 12장: 0.85 → 0.26) 신경망 + 패치에서는 패치 투표가 경계를 이미 맞춰 차이가 거의 없습니다. 시간(node, 긴 변 1024 이하로 작업; 120장은 벤치 4개를 병렬로 돌린 값이라 한가한 기계보다 큼): 픽시브 AI 생성 그림 120장 중앙값 신경망 31.3초(최대 109.9초) + 질감 · 이음매 8.2초(최대 22.6초), 패치만 3.7초; 한가한 기계에서 같은 조건 4장은 신경망 22~24초 + 질감 · 이음매 3~14초. 브라우저(워커)에서 메꾸기 단계만 잰 시간은 800×800 23.4초 · 1600×2000 28.5초 · 2048×2048 24.6초, 처음 한 번 모델 준비 2초입니다(공개 파일은 원본 그대로, 0.56부터 난독화하지 않음).

자연스러움 채점(픽시브 AI 생성 그림 120장): 정답이 없는 AI 생성 그림에서는 세 방식을 0.56 앱 코드 그대로 돌려(고정 60장 + 승인 목록에서 씨앗 20261019로 새로 뽑은 60장), 그림마다 원본과 세 결과(무작위 글자)를 한 장에 놓고 채점자 8명이 15장씩 “캐릭터가 애초에 없었던 배경 그림처럼 자연스러운가”를 0~100점으로 매겼습니다(어느 방식인지 모르는 채; 이음매 · 끊긴 구조 · 엉뚱한 사물을 보라고 함).

방식 평균 부트스트랩 95% 표준편차 중앙값 70점 이상 40점 이하
신경망 + 패치(0.56) 59.2 56.1~62.3 17.5 58 27% 15%
신경망만 60.2 57.4~63.1 15.8 60 29% 12%
패치만 44.7 40.3~49.3 25.3 36 23% 55%

같은 그림 짝: 신경망 + 패치 − 패치만 +14.5점(95% +10.2~+18.7, 우세 82 : 31, 같음 7, 부호 검정 p = 1.7e-06), 신경망 + 패치 − 신경망만 -1.0(-3.3~+1.2, 39 : 52, p = 0.21), 신경망만 − 패치만 +15.5(+10.3~+20.4, 81 : 34, p = 1.4e-05). 채점자별 평균(신경망 + 패치 · 신경망만 · 패치만): 채점자 1 62.3 · 61.8 · 46.2 · 채점자 2 50.6 · 51.0 · 47.3 · 채점자 3 65.6 · 67.3 · 35.9 · 채점자 4 64.2 · 62.7 · 44.3 · 채점자 5 60.3 · 63.8 · 42.3 · 채점자 6 51.5 · 55.6 · 37.5 · 채점자 7 65.3 · 62.5 · 55.1 · 채점자 8 53.7 · 57.0 · 49.1. 신경망 쪽 둘은 패치만보다 뚜렷이 높고(여덟 채점자 모두), 신경망 + 패치와 신경망만은 구별되지 않습니다. 채점표는 한 장에 네 그림을 긴 변 480px로 줄여 놓은 것이라 패치 단계가 더하는 전해상도 질감은 거의 보이지 않고, 구조 · 이음매 · 얼룩만 보입니다. 기본값은 합성 정답에서 훨씬 낮은 오차(구멍 MAE 2.82 대 6.08)를 보이는 신경망 + 패치로 두었습니다. 평균 59.2점은 “실루엣 · 뭉개짐 · 이음매가 보이지만 크게 거슬리지는 않음”(50~69) 범위로, 큰 구멍(캐릭터가 그림의 절반 안팎)을 512 해상도 추정으로 채우는 한계입니다(10.2).

11.18 러프 2 G펜 따라 긋기(0.57 · 0.58)

러프 2를 G펜 따라 긋기로 바꾼 0.57 · 0.58은 두 가지로 쟀습니다. 작가식 기준 러프 18칸(12의 0.45)과의 맞대기, 그리고 처음 보는 픽시브 AI 생성 그림 240장에서 0.56과 견준 눈가림입니다.

작가식 기준 러프 18칸: AI 생성 그림 18장의 얼굴 · 손 · 장신구 칸에 일러스트레이터 역할을 맡은 채점자가 그린 기준 러프(획 좌표)와 프로그램의 러프 2를 맞댑니다. 기준 획을 1px 간격 점으로 펴서 프로그램 잉크(알파 > 0.25)에서 3px 안이면 “잡힘”(재현율, 획 굵기로 무게), 프로그램 잉크를 세선화한 중심선이 기준 획에서 3px 안이면 “맞음”(정밀도)이고 F는 둘의 조화 평균입니다. “굵은 선 재현율”은 굵기 3으로 그은 기준 획(윤곽 · 주요 선)만의 재현율, “맞은 중심선 거리”는 맞은 중심선이 기준 획에서 떨어진 평균 거리(작을수록 자리가 정확), “끊김”은 기준 획 100px당 잡히지 않은 구간(3px 이상)의 수입니다.

판 F 재현율 정밀도 굵은 선 재현율 맞은 중심선 거리(px) 끊김(100px당)
0.56 0.728 0.825 0.675 0.820 1.07 0.92
0.57 0.742 0.845 0.684 0.847 1.01 0.81
0.58 0.739 0.848 0.677 0.853 1.05 0.81

같은 칸 짝(좋아짐 : 나빠짐, 부호 검정)으로 0.56 → 0.57은 F 12 : 6, $p = 0.24$, 재현율 14 : 4, $p = 0.03$, 정밀도 11 : 7, $p = 0.48$, 맞은 중심선 거리 14 : 4, $p = 0.03$입니다. 0.57 → 0.58은 F 8 : 10, $p = 0.81$, 굵은 선 재현율 11 : 7, $p = 0.48$, 맞은 중심선 거리 0 : 18, $p = 7.6 \times 10^{-6}$로, 두 크기 창이 굵은 선을 가운데 한 줄로 그어 눈이 읽히게 된 대신 그 가운데 줄이 기준 획(작가가 그은 자리)에서 조금 떨어졌습니다. 이 18칸은 0.57 · 0.58의 값을 고르는 데 쓴 자료라 바깥 추정이 아닙니다.

눈가림 240장(0.56 대 0.58): 개발에 쓰지 않은 AI 생성 그림 97장(보류)과, 검증 세트 777장 가운데 개발 · 18칸 · 보류 그림을 뺀 픽시브 AI 생성 그림에서 긴 변 크기 네 칸(700 · 1100 · 1500px 경계)으로 고르게 뽑은 143장(씨앗 20261020)입니다. 그림마다 같은 앱 코드 경로(러프 직전 상태를 저장해 러프만 다시 그림)로 0.56과 0.58의 러프 2를 그려, 한 장에 원본 · A · B 전체 모습과 가장 큰 얼굴 둘레(없으면 캐릭터 가운데)를 같은 자리로 잘라 키운 칸을 놓았습니다(러프는 앱처럼 45% 진하기로 흰 바탕에). A · B는 그림마다 무작위(씨앗 58)입니다. 채점자는 사람이 아니라 AI 채점자 12명(같은 언어 모델의 서로 다른 새 세션으로, 이 개발 대화를 모름)이고, 20장씩 나눠 한 그림을 한 명이 한 번 매겼습니다(채점자 사이 일치도는 재지 않음). 물음은 “어느 쪽이 더 사람(일러스트레이터)이 직접 그린 러프 같은가”(A · B · 같음), 판마다 이상한 점 태그(엉킴 · 얼굴 붕괴 · 끊긴 선 · 자글자글 · 기계적 · 빠진 형태 · 없는 선 · 진하기)와 의미를 잃은 정도(없음 · 조금 · 큼: 주요 부분이 무슨 형태인지 알아볼 수 없음)입니다. 집계 방법은 판정 전에 적어 두었고, 그림을 캐싱하는 데 오래 걸려 채점을 두 차례(먼저 준비된 120장 · 나머지 120장)로 나눴습니다. 그래서 1차 채점자 6명은 주로 보류 그림을 봤습니다.

  0.56 0.58 같은 그림 짝(0.56만 : 0.58만) 𝑝
더 사람이 그린 러프 같음 153장 65장 같음 22장 $p = 2.3 \times 10^{-9}$(부호 검정)
의미를 크게 잃음 92장 (38.3%, 32.4~44.6) 84장 (35.0%, 29.2~41.2) 20 : 12 $p = 0.22$
의미를 잃은 곳 있음(조금 · 큼) 212장 (88.3%, 83.7~91.8) 190장 (79.2%, 73.6~83.8) 27 : 5 $p = 1.1 \times 10^{-4}$
“엉킴” 110장 (45.8%) 131장 (54.6%) 30 : 51 $p = 0.03$
“얼굴 붕괴” 88장 (36.7%) 66장 (27.5%) 36 : 14 $p = 2.6 \times 10^{-3}$
“끊긴 선” 72장 (30.0%) 63장 (26.2%) 35 : 26 $p = 0.31$
“자글자글” 15장 (6.2%) 80장 (33.3%) 8 : 73 $p = 3.0 \times 10^{-14}$
“기계적” 10장 (4.2%) 117장 (48.8%) 2 : 109 $p = 4.8 \times 10^{-30}$
“빠진 형태” 124장 (51.7%) 95장 (39.6%) 38 : 9 $p = 2.5 \times 10^{-5}$
“없는 선” 28장 (11.7%) 14장 (5.8%) 19 : 5 $p = 6.6 \times 10^{-3}$
“진하기” 67장 (27.9%) 22장 (9.2%) 63 : 18 $p = 5.2 \times 10^{-7}$
이상한 점 없음 12장 (5.0%) 11장 (4.6%) 10 : 9 $p = 1.00$

“더 사람이 그린 러프 같음”에서 같음을 뺀 0.58의 승률은 29.8%(윌슨 95% 24.1~36.2%)입니다. 비율 옆 구간은 윌슨 95% 구간, 짝의 𝑝는 맥니마 정확 검정(갈린 그림만 센 이항 검정)입니다.

묶음 장수 사람 같음 0.58 : 0.56 : 같음 𝑝 크게 잃음 0.56 → 0.58
보류 97장 97 29 : 60 : 8 $p = 1.3 \times 10^{-3}$ 32 → 30
새 143장 143 36 : 93 : 14 $p = 5.4 \times 10^{-7}$ 60 → 54
긴 변 700px 미만 51 16 : 26 : 9 $p = 0.16$ 38 → 33
긴 변 700~1100px 40 16 : 20 : 4 $p = 0.62$ 15 → 11
긴 변 1100~1500px 99 22 : 71 : 6 $p = 3.5 \times 10^{-7}$ 27 → 30
긴 변 1500px 이상 50 11 : 36 : 3 $p = 3.5 \times 10^{-4}$ 12 → 10

채점자별 0.58 : 0.56은 01 4 : 14 · 02 5 : 15 · 03 11 : 9 · 04 4 : 10 · 05 4 : 13 · 06 8 : 10 · 07 1 : 18 · 08 5 : 12 · 09 9 : 11 · 10 2 : 15 · 11 7 : 13 · 12 5 : 13입니다. 판과 상관없이 A를 고른 것이 91번, B가 127번, 같음이 22번입니다(자리 치우침 확인). 채점자 메모를 보면 두 판의 성격이 거의 늘 갈렸습니다. 0.58은 굵기가 고른 가는 선으로 면의 양쪽 테두리 · 머리카락 가닥 · 사슬 · 레이스를 빠짐없이 따, 짧은 토막 · 잔가시 · 사다리 모양이 생기고 “윤곽을 딴 트레이스 같다”는 메모가 많았습니다. 0.56은 강약이 있는 길고 느슨한 획이라 손 러프에 가깝지만, 얼굴 · 눈 · 손 · 앞쪽 소품을 통째로 빠뜨리거나 눈을 고리 · 글자 같은 낙서로 긋는 일이 잦았습니다. 채점자들은 대개 한쪽만 얼굴이 살아 있으면 그쪽을, 둘 다 살아 있으면 획이 느슨한 쪽을 골랐습니다. 두 판 모두 무너진 그림은 질감이 강한 회화풍 · 어두운 그림 · 복잡한 장면(군중 · 메카 · 체크무늬)이었고, 워터마크 · 효과음 글자 · 화면 띠 경계도 두 판 모두 따라 그렸습니다. 판과 상관없이 B를 조금 더 골랐지만(A 91 : B 127), 0.58이 A였을 때 0.58 : 0.56 = 21 : 83, B였을 때 44 : 70으로 어느 자리에서도 0.56이 앞섭니다. 개발자는 러프 2를 고른 굵기의 펜으로 면의 양쪽 윤곽까지 모두 따라 정리하는 것이 실제 일러스트레이터의 작업 방식이라며 “기계적” · “사람 같음” 판정에 동의하지 않았고, 배포 판단은 이 판정에 기대지 않았습니다(채점자는 일러스트레이터가 아닌 AI).

펜 굵기: 240장 가운데 캐릭터가 있는 239장에서 잰 펜 굵기는 중앙값 1.30px(10 · 90 백분위 0.92 · 1.87px)이고, 그림 긴 변과의 순위 상관은 0.20, 캐릭터 크기(캐릭터 넓이의 제곱근)와는 0.18입니다. 같은 크기의 그림도 작가마다 펜 굵기가 달라, 그림 크기 · 캐릭터 크기로 펜 굵기를 짐작하지 않고 그 그림의 선에서 직접 잽니다. 시간: 같은 240장에서 러프 2 단계는 중앙값 2.6초 → 3.6초, 같은 그림 짝의 비는 1.25배(사분위 1.11~1.64배; 4개를 병렬로 돌린 값)입니다. 앱 전체(누끼 모델 · 배경 메꿈 포함 그림당 수십 초)에서는 작은 몫입니다.

11.19 러프 2 필압 · 눈 · 입 상자와 전문가 역할 눈가림(0.59 · 0.59e)

0.59는 0.58의 G펜 따라 긋기에 필압 곡선 · 선 중요도 진하기 · 덧긋기 · 손떨림 보정 강화를 더했고, 0.59e는 그 위에 눈 · 입 상자 따라 긋기를 더했습니다(2.9). 모두 러프 2만 바꿉니다. 눈가림을 여섯 차례 했습니다. 채점자는 모두 사람이 아니라 같은 언어 모델의 새 세션(이 개발 대화를 모름)이고, 회차마다 새 채점자 · 새 시트(A · B 자리는 그림마다 무작위)를 썼습니다. 2차부터는 사용자의 지시로 캐릭터가 주인공이고 선화가 뚜렷한 138장만 쓰고, 픽시브에서 정해진 규칙(태그 “ラフ” · 북마크 300 이상 · AI 그림 제외)으로 찾은 실제 작가 러프 5장을 채점자에게 먼저 보였습니다. 3-A부터는 “일본풍 일러스트레이션의 구성과 디지털 드로잉(필압 · 손떨림 보정 · 러프 → 선화 공정)에 해박한 전문가” 역할을 맡겼습니다(어떤 화풍을 좋아하라는 말은 넣지 않음). 방법 · 지표 · 결정 규칙은 채점 전에 적어 두었고, 결과가 나쁜 회차도 그대로 적습니다. 같은 회차 안의 짝만 검정이고, 회차끼리 비율을 견주는 것은 채점자 무리가 달라 참고로만 봅니다.

회차 그림 채점자 견준 판 더 사람이 그린 러프 같음(새 판 : 기준 : 같음) 𝑝(부호 검정) 따로 보아 사람이 그린 러프로 보임(기준 → 새 판, 짝) 의미를 크게 잃음(기준 → 새 판)
1차 처음 보는 240장 12명 0.59 대 0.56 127 : 71 : 42 $p = 8.4 \times 10^{-5}$ 78 → 95장 (19 : 36, $p = 0.03$) 96 → 85장 ($p = 0.03$)
2차 캐릭터 · 선화가 뚜렷한 138장 7명, 참고 러프 5장 0.59 대 0.56 89 : 39 : 10 $p = 1.2 \times 10^{-5}$ 43 → 77장 (5 : 39, $p = 1.4 \times 10^{-7}$) 48 → 37장 ($p = 0.03$)
2차 대조 같은 138장 7명, 참고 러프 5장 0.58 대 0.56 42 : 92 : 4 $p = 1.9 \times 10^{-5}$ 63 → 50장 (30 : 17, $p = 0.08$) 42 → 38장 ($p = 0.50$)
3-A 같은 138장 전문가 역할 15명 0.59 대 0.56 73 : 57 : 8 $p = 0.19$ 52 → 76장 (25 : 49, $p = 7.1 \times 10^{-3}$) 47 → 29장 ($p = 2.8 \times 10^{-4}$)
3-B 같은 138장(새 시트) 전문가 역할 15명 0.59e 대 0.56 100 : 33 : 5 $p = 5.0 \times 10^{-9}$ 54 → 83장 (10 : 39, $p = 3.8 \times 10^{-5}$) 49 → 31장 ($p = 4.0 \times 10^{-5}$)
3-C 같은 138장(새 시트) 전문가 역할 15명 0.59f 대 0.56 51 : 82 : 5 $p = 9.0 \times 10^{-3}$ 74 → 47장 (46 : 19, $p = 1.1 \times 10^{-3}$) 36 → 37장 ($p = 1.00$)
3-D 같은 138장(새 시트) 전문가 역할 15명 0.59g 대 0.59e 4 : 3 : 131 $p = 1.00$ 45 → 45장 (0 : 0, $p = 1.00$) 55 → 55장 ($p = 1.00$)

짝 칸은 (기준만 yes : 새 판만 yes)이고 𝑝는 맥니마 정확 검정입니다. 1차에서는 “따로 보아 사람이 그린 러프로 보임” 물음이 처음 들어갔습니다.

3-B(0.59e 대 0.56): 같음을 뺀 0.59e의 승률은 75.2%(윌슨 95% 67.2~81.8%)이고, 채점자 15명 중 14명이 0.59e 쪽을 더 많이 골랐습니다. 이상한 점 태그(판마다 그 태그가 붙은 그림 수)는 아래와 같습니다.

태그 0.56 0.59e 𝑝(짝)
“엉킴” 96장 (69.6%) 62장 (44.9%) $p = 5.7 \times 10^{-8}$
“얼굴 붕괴” 55장 (39.9%) 35장 (25.4%) $p = 3.6 \times 10^{-5}$
“끊긴 선” 36장 (26.1%) 18장 (13.0%) $p = 3.9 \times 10^{-3}$
“자글자글” 23장 (16.7%) 7장 (5.1%) $p = 5.2 \times 10^{-3}$
“기계적” 21장 (15.2%) 34장 (24.6%) $p = 7.2 \times 10^{-3}$
“빠진 형태” 25장 (18.1%) 19장 (13.8%) $p = 0.18$
“없는 선” 14장 (10.1%) 18장 (13.0%) $p = 0.45$
“진하기” 26장 (18.8%) 20장 (14.5%) $p = 0.45$

0.59e는 엉킴 · 얼굴 붕괴 · 끊긴 선이 줄었고, 기계적(글자 · 서명 · 되풀이 무늬를 줄마다 베낌, 가늘고 고른 윤곽) · 없는 선은 늘었습니다.

0.59f(쓰지 않음): 3-B 메모의 “기계적”을 줄이려고 빽빽한 곳의 획을 굵기 · 진하기 모두 가볍게 하고(곱해서 최대 0.36배) 엇갈리는 줄을 세 줄에 하나만 그었더니 3-C에서 0.56에 졌습니다(51 : 82). “진하기” 12 → 94장, “끊긴 선” 15 → 57장, “빠진 형태” 18 → 45장으로, 채점자들은 “선화를 옅게 딴 트레이스”라고 적었습니다. 고를 때 쓴 지표(그물 칸 수 · 뭉침)는 선이 옅고 가늘어지면 저절로 좋아져, 지표가 “옅게 하기”에 속았습니다.

0.59g(쓰지 않음): 0.59f에서 가볍게 하기를 빼고 엇갈림 솎기만 누그러뜨려(두 줄에 하나, 엇갈림 문턱 6, 펜 배율 40배 이상 긴 줄은 그대로) 0.59e에 더했습니다. 채점 전에 두 관문을 정했습니다. 60장에서 잉크 양이 0.59e의 95% 이상(중앙 0.993배), 얼굴 밖에서 0.59e의 잉크를 남긴 비율이 0.59e를 씨앗만 바꿔 다시 그린 판의 95% 이상(중앙 0.996배)으로 둘 다 통과했고, 그물 칸 수 중앙은 4.91 → 4.58로 줄었습니다. 그러나 3-D(0.59g 대 0.59e)에서 138장 중 131장이 “같음”이었고(4 : 3, $p = 1.00$), 여러 채점자가 두 칸을 픽셀로 견주어 “사실상 같은 그림”이라고 적었습니다. 미리 정한 규칙(같음을 뺀 부호 검정 𝑝 < 0.05로 이기고, 사람 러프 · 크게 잃음이 나빠지지 않을 때만 냄)에 따라 0.59e를 냈습니다.

절대 수준에 대해: 같은 0.56 러프가 “따로 보아 사람이 그린 러프로 보임”을 3-B에서 54장(39.1%), 3-C에서 74장(53.6%) 받았습니다. 한 시트 안에서 짝을 비교하므로 상대가 약하면 기준도 좋게 매겨집니다. 3-D에서 0.59e는 45장(32.6%) · 크게 잃음 55장(39.9%)이었는데, 이 회차는 거의 같은 두 칸을 견준 것이라 0.56과의 차이로 읽지 않습니다.

시간: 138장에서 러프 2 단계는 중앙값 2.7초(0.56) → 4.0초(0.59e), 같은 그림 짝의 비는 1.31배(사분위 1.14~1.70배; 다른 때 3개를 병렬로 돌려 잰 값)입니다. 앱 전체(그림당 수십 초)에서는 작은 몫입니다.

11.20 버전별 러프 재능

사용자의 요청으로, 분해능(11.14)처럼 러프가 판마다 얼마나 나아졌는지를 0.1을 100%로 두고 쟀습니다. 러프에는 정답이 없어 틀린 픽셀을 셀 수 없으므로, “어느 쪽이 더 사람(일러스트레이터)이 직접 그린 러프 같은가”를 채점자가 판끼리 견준 눈가림으로 잽니다. 재는 법은 채점 전에 정해 CLAUDE.md에 “바꾸지 말 것”으로 적었습니다.

시트 안의 모든 짝을 이김 · 같음 · 짐으로 바꿔(2760짝) 데이비드슨 모형(같음이 있는 브래들리-테리 모형)으로 판마다 강도를 맞춥니다.

P(i \succ j)=\frac{\pi_i}{\pi_i+\pi_j+\nu\sqrt{\pi_i\pi_j}},\qquad P(i = j)=\frac{\nu\sqrt{\pi_i\pi_j}}{\pi_i+\pi_j+\nu\sqrt{\pi_i\pi_j}},\qquad \pi_v=e^{\beta_v},\ \beta_{0.1}=0,\qquad \text{러프 재능}_v = 100\cdot\frac{\pi_v}{\pi_{0.1}}\ \%

풀이 — 왜: 판이 많아 한 시트에 모두 놓을 수 없으므로 시트마다 몇 판만 놓고, 그 판정을 한 모형으로 묶어 모든 판을 같은 자로 잽니다. 원리: 판마다 강도 𝜋를 두고, 𝑖가 𝑗보다 사람 러프답다고 뽑힐 확률을 강도의 몫으로 둡니다. 같음은 두 강도의 기하평균에 비례하고(𝜈가 클수록 같음이 흔함), 𝛽 = ln 𝜋를 최대 우도로 맞춥니다. 강도의 비 𝜋_v / 𝜋_0.1은 0.1과 맞대었을 때 같음을 빼고 그 판이 이길 승산이라, 0.1 = 100%로 둔 배수가 됩니다. 한쪽이 늘 이겨 값이 무한대로 가는 것만 막으려 아주 약한 능선 벌점($0.005\sum\beta^2$)을 둡니다. 구간은 그림 단위로 다시 뽑은 부트스트랩(2,000번, 씨앗 20261020)의 2.5 · 97.5 백분위(95%)와 10 · 90 백분위(80%)입니다. 참고: R96 Bradley · Terry 1952 · R97 Davidson 1970 · R80 Efron 1979

xychart-beta
    title "러프 재능(0.1 = 100%)"
    x-axis ["0.1", "0.8", "0.9", "0.43", "0.44", "0.45", "0.46", "0.47", "0.56", "0.57", "0.58", "0.59e"]
    y-axis "0.1 대비 %" 0 --> 400
    bar [100, 153, 98, 72, 81, 204, 110, 239, 367, 174, 157, 247]
판 러프 재능(0.1 대비) 95% 구간 80% 구간 0.1과 맞대기(이김 : 같음 : 짐) 따로 보아 사람이 그린 러프로 보임 의미를 크게 잃음
0.1 100% — — — 30% (91/300, 25~36) 19% (57/300)
0.8 153% 114~215% 127~190% 16 : 38 : 6 38% (23/60, 27~51) 13% (8/60)
0.9 98% 63~154% 72~131% 24 : 0 : 36 30% (18/60, 20~43) 22% (13/60)
0.43 72% 46~110% 53~96% 51 : 2 : 67 25% (30/120, 18~33) 22% (26/120)
0.44 81% 48~136% 58~114% 30 : 0 : 30 18% (11/60, 11~30) 27% (16/60)
0.45 204% 128~329% 150~282% 74 : 1 : 45 41% (49/120, 32~50) 20% (24/120)
0.46 110% 65~188% 78~156% 40 : 0 : 20 25% (15/60, 16~37) 32% (19/60)
0.47 239% 143~423% 172~346% 82 : 2 : 36 44% (53/120, 36~53) 25% (30/120)
0.56 367% 200~701% 247~574% 42 : 0 : 18 55% (33/60, 42~67) 23% (14/60)
0.57 174% 111~285% 129~242% 80 : 0 : 40 29% (35/120, 22~38) 21% (25/120)
0.58 157% 97~265% 113~222% 40 : 0 : 20 28% (17/60, 19~41) 25% (15/60)
0.59e 247% 156~419% 184~351% 202 : 0 : 98 52% (157/300, 47~58) 20% (61/300)

같음의 무게 𝜈 = 0.18입니다. 사람이 그린 러프로 보임은 그 칸이 놓인 시트마다 센 비율(윌슨 95% 구간)이라 칸마다 시트 수가 다릅니다(0.1 · 0.59e는 모든 시트, 창 두 개에 든 칸은 120시트, 나머지는 60시트).

판 러프 코드 세대 러프 재능(0.1 대비) 95% 구간 80% 구간 비고
0.1 0.1~0.8 100% — — 매긴 칸
0.2 0.1~0.8 — — — 재지 않음 — 같은 러프 코드(세대 0.1~0.8: 0.1 100% · 0.8 153%), 앞 판과 같은 러프 1/60장
0.3 0.1~0.8 — — — 재지 않음 — 같은 러프 코드(세대 0.1~0.8: 0.1 100% · 0.8 153%), 앞 판과 같은 러프 0/60장
0.4 0.1~0.8 — — — 재지 않음 — 같은 러프 코드(세대 0.1~0.8: 0.1 100% · 0.8 153%), 앞 판과 같은 러프 0/60장
0.5 0.1~0.8 — — — 재지 않음 — 같은 러프 코드(세대 0.1~0.8: 0.1 100% · 0.8 153%), 앞 판과 같은 러프 35/60장
0.6 0.1~0.8 — — — 재지 않음 — 같은 러프 코드(세대 0.1~0.8: 0.1 100% · 0.8 153%), 앞 판과 같은 러프 49/60장
0.7 0.1~0.8 153% 114~215% 127~190% = 0.8(60장 러프 모두 바이트로 같음)
0.8 0.1~0.8 153% 114~215% 127~190% 매긴 칸
0.9 0.9~0.43 98% 63~154% 72~131% 매긴 칸
0.10 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 34/60장
0.11 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 52/60장
0.12 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 26/60장
0.13 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 48/60장
0.14 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 60/60장
0.15 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 60/60장
0.16 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 60/60장
0.17 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 12/60장
0.18 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 55/60장
0.19 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 55/60장
0.20 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 58/60장
0.21 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 3/60장
0.22 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 60/60장
0.23 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 60/60장
0.24 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 60/60장
0.25 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 60/60장
0.26 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 60/60장
0.27 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 46/60장
0.28 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 60/60장
0.29 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 50/60장
0.30 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 60/60장
0.31 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 3/60장
0.32 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 59/60장
0.33 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 45/60장
0.34 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 42/60장
0.35 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 60/60장
0.36 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 60/60장
0.37 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 39/60장
0.38 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 35/60장
0.39 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 60/60장
0.40 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 60/60장
0.41 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 49/60장
0.42 0.9~0.43 — — — 재지 않음 — 같은 러프 코드(세대 0.9~0.43: 0.9 98% · 0.43 72%), 앞 판과 같은 러프 25/60장
0.43 0.9~0.43 72% 46~110% 53~96% 매긴 칸
0.44 0.44 81% 48~136% 58~114% 매긴 칸
0.45 0.45 204% 128~329% 150~282% 매긴 칸
0.46 0.46 110% 65~188% 78~156% 매긴 칸
0.47 0.47~0.56 239% 143~423% 172~346% 매긴 칸
0.48 0.47~0.56 — — — 재지 않음 — 같은 러프 코드(세대 0.47~0.56: 0.47 239% · 0.56 367%), 앞 판과 같은 러프 31/60장
0.49 0.47~0.56 — — — 재지 않음 — 같은 러프 코드(세대 0.47~0.56: 0.47 239% · 0.56 367%), 앞 판과 같은 러프 44/60장
0.50 0.47~0.56 — — — 재지 않음 — 같은 러프 코드(세대 0.47~0.56: 0.47 239% · 0.56 367%), 앞 판과 같은 러프 23/60장
0.51 0.47~0.56 — — — 재지 않음 — 같은 러프 코드(세대 0.47~0.56: 0.47 239% · 0.56 367%), 앞 판과 같은 러프 0/60장
0.52 0.47~0.56 — — — 재지 않음 — 같은 러프 코드(세대 0.47~0.56: 0.47 239% · 0.56 367%), 앞 판과 같은 러프 3/60장
0.53 0.47~0.56 — — — 재지 않음 — 같은 러프 코드(세대 0.47~0.56: 0.47 239% · 0.56 367%), 앞 판과 같은 러프 56/60장
0.54 0.47~0.56 — — — 재지 않음 — 같은 러프 코드(세대 0.47~0.56: 0.47 239% · 0.56 367%), 앞 판과 같은 러프 2/60장
0.55 0.47~0.56 367% 200~701% 247~574% = 0.56(60장 러프 모두 바이트로 같음)
0.56 0.47~0.56 367% 200~701% 247~574% 매긴 칸
0.57 0.57 174% 111~285% 129~242% 매긴 칸
0.58 0.58 157% 97~265% 113~222% 매긴 칸
0.59e 0.59e 247% 156~419% 184~351% 매긴 칸
0.59h 0.59e 247% 156~419% 184~351% = 0.59e(코어 · 모델이 바이트 단위로 같아 러프도 같음)
0.59i 0.59e 247% 156~419% 184~351% = 0.59h(코어 · 모델이 바이트 단위로 같아 러프도 같음)

12. 업데이트 내역

새 버전이 위에 있습니다.

풀이 — 왜: 버전마다 적은 분해능 배수 · 구간 · 𝑝 값이 어떤 식에서 나왔는지를 버전마다 되풀이하지 않습니다. 원리: 분해능 배수와 그 구간은 11.14의 BER 식과 짝 부트스트랩(10,000번), 눈가림 시험의 구간은 윌슨 구간, 짝 판정의 𝑝는 맥니마 정확 검정 · 부호 검정입니다(11.1). 참고: R56 Wilson 1927 · R72 McNemar 1947 · R85 Dixon · Mood 1946 · R80 Efron 1979

0.59i;0_1[20] (2026-10-20) 예제 그림: 넣어 둔 그림 10장 중 무작위

  0.1버전 0.59e버전 0.59h버전 0.59i버전
분해능 100% 1752% 1752% 1752%
분해능 95% 구간 — 1187~2998% 1187~2998% 1187~2998%
분해능 80% 구간 — 1352~2434% 1352~2434% 1352~2434%
눈가림 시험(큰 손실 없음) 31.7% 86.7% 86.7% 86.7%
눈가림 시험 95% 구간 21.3~44.2% 75.8~93.1% 75.8~93.1% 75.8~93.1%
눈가림 시험 80% 구간 24.5~39.8% 80.1~91.3% 80.1~91.3% 80.1~91.3%
러프 재능 100% 247% 247% 247%
러프 재능 95% 구간 — 156~419% 156~419% 156~419%
러프 재능 80% 구간 — 184~351% 184~351% 184~351%

분해능 · 눈가림 시험 · 러프 재능은 0.59h 항목의 표와 같은 방식입니다. 0.59i는 코어가 0.59h와 같아 세 값 모두 0.59h와 같습니다.

0.59h;0_1[20] (2026-10-20) 도움말을 앱 밖 파일로, 버전별 러프 재능

  0.1버전 0.58버전 0.59e버전 0.59h버전
분해능 100% 1752% 1752% 1752%
분해능 95% 구간 — 1187~2998% 1187~2998% 1187~2998%
분해능 80% 구간 — 1352~2434% 1352~2434% 1352~2434%
눈가림 시험(큰 손실 없음) 31.7% 86.7% 86.7% 86.7%
눈가림 시험 95% 구간 21.3~44.2% 75.8~93.1% 75.8~93.1% 75.8~93.1%
눈가림 시험 80% 구간 24.5~39.8% 80.1~91.3% 80.1~91.3% 80.1~91.3%
러프 재능 100% 157% 247% 247%
러프 재능 95% 구간 — 97~265% 156~419% 156~419%
러프 재능 80% 구간 — 113~222% 184~351% 184~351%

분해능 · 눈가림 시험은 0.59e 항목의 표와 같은 방식입니다. 러프 재능은 0.1을 100%로 둔 강도의 비이고 구간은 그림 단위 부트스트랩(2,000번)의 백분위입니다(11.20). 0.59h는 코어가 0.59e와 같아 세 값 모두 0.59e와 같습니다.

0.59e;4_5[20] (2026-10-20) 러프 2에 필압 곡선 · 선 중요도 진하기 · 덧긋기, 눈 · 입 상자 따라 긋기, 전문가 역할 눈가림

  0.1버전 0.57버전 0.58버전 0.59e버전
분해능 100% 1752% 1752% 1752%
분해능 95% 구간 — 1187~2998% 1187~2998% 1187~2998%
분해능 80% 구간 — 1352~2434% 1352~2434% 1352~2434%
눈가림 시험(큰 손실 없음) 31.7% 86.7% 86.7% 86.7%
눈가림 시험 95% 구간 21.3~44.2% 75.8~93.1% 75.8~93.1% 75.8~93.1%
눈가림 시험 80% 구간 24.5~39.8% 80.1~91.3% 80.1~91.3% 80.1~91.3%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다(z = 1.96 · 1.2816). 0.57 · 0.58 · 0.59e는 배경 층이 0.55와 바이트 단위로 같아 0.55의 값 그대로입니다(0.55 때 0.1 · 0.53 · 0.54 · 0.55 네 판을 함께 매긴 판정).

0.58 (2026-10-20) 러프 2의 굵은 선(눈 테두리 · 속눈썹)을 두 크기 창으로 가운데 한 줄로 긋기, 처음 보는 240장 눈가림

  0.1버전 0.56버전 0.57버전 0.58버전
분해능 100% 1752% 1752% 1752%
분해능 95% 구간 — 1187~2998% 1187~2998% 1187~2998%
분해능 80% 구간 — 1352~2434% 1352~2434% 1352~2434%
눈가림 시험(큰 손실 없음) 31.7% 86.7% 86.7% 86.7%
눈가림 시험 95% 구간 21.3~44.2% 75.8~93.1% 75.8~93.1% 75.8~93.1%
눈가림 시험 80% 구간 24.5~39.8% 80.1~91.3% 80.1~91.3% 80.1~91.3%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다(z = 1.96 · 1.2816). 0.56 · 0.57 · 0.58은 배경 층이 0.55와 바이트 단위로 같아 0.55의 값 그대로입니다(0.55 때 0.1 · 0.53 · 0.54 · 0.55 네 판을 함께 매긴 판정).

0.57 (2026-10-20) 러프 2를 G펜으로 선화 따라 긋기(지역 대비 선 · 펜 굵기 · 필압 · 손떨림 보정), 러프 1은 연필 결

  0.1버전 0.55버전 0.56버전 0.57버전
분해능 100% 1752% 1752% 1752%
분해능 95% 구간 — 1187~2998% 1187~2998% 1187~2998%
분해능 80% 구간 — 1352~2434% 1352~2434% 1352~2434%
눈가림 시험(큰 손실 없음) 31.7% 86.7% 86.7% 86.7%
눈가림 시험 95% 구간 21.3~44.2% 75.8~93.1% 75.8~93.1% 75.8~93.1%
눈가림 시험 80% 구간 24.5~39.8% 80.1~91.3% 80.1~91.3% 80.1~91.3%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다(z = 1.96 · 1.2816). 0.56 · 0.57은 배경 층이 0.55와 바이트 단위로 같아 0.55의 값 그대로입니다(0.55 때 네 판을 함께 매긴 판정).

0.56 (2026-10-20) 캐릭터를 뺀 자리의 배경을 신경망(big-lama)과 패치 맞춤으로 추정해 채운 ‘배경 메꿈’ 층을 ‘배경’ 층 바로 위에 넣음(배경 층은 그대로)

  0.1버전 0.54버전 0.55버전 0.56버전
분해능 100% 1480% 1752% 1752%
분해능 95% 구간 — 1009~2470% 1187~2998% 1187~2998%
분해능 80% 구간 — 1146~2045% 1352~2434% 1352~2434%
눈가림 시험(큰 손실 없음) 31.7% 85.0% 86.7% 86.7%
눈가림 시험 95% 구간 21.3~44.2% 73.9~91.9% 75.8~93.1% 75.8~93.1%
눈가림 시험 80% 구간 24.5~39.8% 78.2~90.0% 80.1~91.3% 80.1~91.3%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다(z = 1.96 · 1.2816). 0.56은 배경 층이 0.55와 바이트 단위로 같아 0.55의 값 그대로이고(0.55 때 0.1 · 0.53 · 0.54 · 0.55 네 판을 함께 매긴 판정), 0.54는 출시 앱 그대로 다시 돌린 결과입니다.

0.55 (2026-10-19) 효과(글로우 · 파티클 · 빛줄기)를 배경으로 세도록 누끼 모델을 더 학습한 판을 원래 모델과 함께 돌려 두 확률의 평균(0.5 · 0.5)과 문턱 0.55로 캐릭터를 정함

  0.1버전 0.53버전 0.54버전 0.55버전
분해능 100% 1337% 1480% 1752%
분해능 95% 구간 — 924~2215% 1009~2470% 1187~2998%
분해능 80% 구간 — 1040~1832% 1146~2045% 1352~2434%
눈가림 시험(큰 손실 없음) 31.7% 81.7% 85.0% 86.7%
눈가림 시험 95% 구간 21.3~44.2% 70.1~89.4% 73.9~91.9% 75.8~93.1%
눈가림 시험 80% 구간 24.5~39.8% 74.5~87.2% 78.2~90.0% 80.1~91.3%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다(z = 1.96 · 1.2816). 네 판을 한자리에서 함께 다시 매긴 값입니다(0.54는 출시 앱 그대로 다시 돌린 결과).

0.54 (2026-10-17) 누끼 모델을 미세 학습한 판을 원래 모델과 함께 돌려 두 확률의 가중 평균(0.6 · 0.4)과 문턱 0.55로 캐릭터를 정함

  0.1버전 0.52버전 0.53버전 0.54버전
분해능 100% 1133% 1337% 1506%
분해능 95% 구간 — 713~2043% 924~2215% 1026~2559%
분해능 80% 구간 — 837~1664% 1040~1832% 1165~2084%
눈가림 시험(큰 손실 없음) 26.7% 83.3% 86.7% 86.7%
눈가림 시험 95% 구간 17.1~39.0% 72.0~90.7% 75.8~93.1% 75.8~93.1%
눈가림 시험 80% 구간 20.0~34.5% 76.3~88.6% 80.1~91.3% 80.1~91.3%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다(z = 1.96 · 1.2816). 네 판을 한자리에서 함께 다시 매겼습니다(11.15).

0.53 (2026-10-15) 누끼 모델이 캐릭터를 거의 찾지 못한 그림은 기존 방식(신경망 + 통계식)의 판정을 그대로 씀

  0.1버전 0.51버전 0.52버전 0.53버전
분해능 100% 1051% 1133% 1337%
분해능 95% 구간 — 680~1777% 713~2043% 924~2215%
분해능 80% 구간 — 794~1480% 837~1664% 1040~1832%
눈가림 시험(큰 손실 없음) 35.0% 70.0% 81.7% 85.0%
눈가림 시험 95% 구간 24.2~47.6% 57.5~80.1% 70.1~89.4% 73.9~91.9%
눈가림 시험 80% 구간 27.6~43.2% 62.0~77.0% 74.5~87.2% 78.2~90.0%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다(z = 1.96 · 1.2816). 네 판(과 0.50)을 한자리에서 함께 다시 매겼습니다(11.15).

0.52 (2026-10-15) 누끼 모델 확률에 기존 방식(신경망 + 통계식)의 판정을 더해 캐릭터를 정함(코어 뒤 단계 없이)

  0.1버전 0.50버전 0.51버전 0.52버전
분해능 100% 640% 1051% 1133%
분해능 95% 구간 — 473~925% 680~1777% 713~2043%
분해능 80% 구간 — 524~810% 794~1480% 837~1664%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 누끼 모델을 켠 기본 설정으로 쟀습니다. 눈가림 시험은 하지 않았습니다.

0.51 (2026-10-15) 누끼 모델(애니 캐릭터 분할 신경망을 8비트로 줄여 앱 안에 넣음)로 캐릭터를 통째로 골라내고 나머지를 배경 층으로

  0.1버전 0.49버전 0.50버전 0.51버전
분해능 100% 614% 640% 1051%
분해능 95% 구간 — 450~891% 473~925% 680~1777%
분해능 80% 구간 — 500~779% 524~810% 794~1480%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 누끼 모델을 켠 기본 설정으로 쟀습니다.

0.50 (2026-10-15) 신경망 보조 강화(통계식 점수와 신경망 점수를 한 식으로 묶어 지우기)

  0.1버전 0.48버전 0.49버전 0.50버전
분해능 100% 591% 614% 640%
분해능 95% 구간 — 433~863% 450~891% 473~925%
분해능 80% 구간 — 482~754% 500~779% 524~810%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 신경망 보조를 켠 기본 설정으로 쟀습니다.

0.49 (2026-10-15) 신경망 보조(통계식과 신경망이 함께 배경이라 할 때만 남은 배경 지우기)

  0.1버전 0.47버전 0.48버전 0.49버전
분해능 100% 591% 591% 614%
분해능 95% 구간 — 433~863% 433~863% 450~891%
분해능 80% 구간 — 482~754% 482~754% 500~779%
눈가림 시험 27% 50% 50% 48%
눈가림 시험 95% 구간 17~39% 38~62% 38~62% 36~61%
눈가림 시험 80% 구간 20~35% 42~58% 42~58% 40~57%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 네 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다. 네 판을 한자리에서 함께 다시 매겼습니다(11).

0.48 (2026-10-13) 이름용 얼굴의 머리 구조 단서 · 단계별 채색 폴더 · 배경 개선 순환 8주기

  0.1버전 0.46버전 0.47버전 0.48버전
분해능 100% 591% 591% 591%
분해능 95% 구간 — 433~863% 433~863% 433~863%
분해능 80% 구간 — 482~754% 482~754% 482~754%
눈가림 시험 20% 37% 37% 37%
눈가림 시험 95% 구간 12~32% 26~49% 26~49% 26~49%
눈가림 시험 80% 구간 14~27% 29~45% 29~45% 29~45%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 네 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다. 0.46 · 0.47 · 0.48은 60장 배경 지도가 0.43과 같아 0.43 때 함께 매긴 판정을 그대로 씁니다(11).

0.47 (2026-10-11) 따라 긋는 러프(눈 인식 없음 · 실제 윤곽 · 배경 구도 · 이어 긋기)

  0.1버전 0.45버전 0.46버전 0.47버전
분해능 100% 591% 591% 591%
분해능 95% 구간 — 433~863% 433~863% 433~863%
분해능 80% 구간 — 482~754% 482~754% 482~754%
눈가림 시험 20% 37% 37% 37%
눈가림 시험 95% 구간 12~32% 26~49% 26~49% 26~49%
눈가림 시험 80% 구간 14~27% 29~45% 29~45% 29~45%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 네 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다. 0.45 · 0.46 · 0.47은 60장 배경 지도가 0.43과 같아 0.43 때 함께 매긴 판정을 그대로 씁니다(11).

0.46 (2026-10-11) 두 가지 러프(컨셉 · 다듬기)

  0.1버전 0.44버전 0.45버전 0.46버전
분해능 100% 591% 591% 591%
분해능 95% 구간 — 433~863% 433~863% 433~863%
분해능 80% 구간 — 482~754% 482~754% 482~754%
눈가림 시험 20% 37% 37% 37%
눈가림 시험 95% 구간 12~32% 26~49% 26~49% 26~49%
눈가림 시험 80% 구간 14~27% 29~45% 29~45% 29~45%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 네 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다. 0.44 · 0.45 · 0.46은 60장 배경 지도가 0.43과 같아 0.43 때 함께 매긴 판정을 그대로 씁니다(11).

0.45 (2026-10-11) 러프 세부 지키기

  0.1버전 0.43버전 0.44버전 0.45버전
분해능 100% 591% 591% 591%
분해능 95% 구간 — 433~863% 433~863% 433~863%
분해능 80% 구간 — 482~754% 482~754% 482~754%
눈가림 시험 20% 37% 37% 37%
눈가림 시험 95% 구간 12~32% 26~49% 26~49% 26~49%
눈가림 시험 80% 구간 14~27% 29~45% 29~45% 29~45%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 네 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다. 0.44 · 0.45는 60장 배경 지도가 0.43과 같아 0.43 때 함께 매긴 판정을 그대로 씁니다(11).

0.44 (2026-10-11) 사람이 그은 듯한 러프

  0.1버전 0.42버전 0.43버전 0.44버전
분해능 100% 225% 591% 591%
분해능 95% 구간 — 189~275% 433~863% 433~863%
분해능 80% 구간 — 200~256% 482~754% 482~754%
눈가림 시험 20% 35% 37% 37%
눈가림 시험 95% 구간 12~32% 24~48% 26~49% 26~49%
눈가림 시험 80% 구간 14~27% 28~43% 29~45% 29~45%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 네 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다. 0.44는 60장 배경 지도가 0.43과 같아 0.43 때 함께 매긴 판정을 그대로 씁니다(11).

0.43 (2026-10-11) 어두운 캐릭터 부분 되돌리기 · 선으로 그린 배경 물건

  0.1버전 0.41버전 0.42버전 0.43버전
분해능 100% 214% 225% 591%
분해능 95% 구간 — 179~260% 189~275% 433~863%
분해능 80% 구간 — 190~242% 200~256% 482~754%
눈가림 시험 20% 33% 35% 37%
눈가림 시험 95% 구간 12~32% 23~46% 24~48% 26~49%
눈가림 시험 80% 구간 14~27% 26~41% 28~43% 29~45%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 네 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다. 네 판을 처음부터 다시 함께 매겨 0.42 항목의 표와 비율이 다릅니다(11).

0.42 (2026-10-10) 검은 다리 · 옷을 배경으로 덜 보내기

  0.1버전 0.40버전 0.41버전 0.42버전
분해능 100% 214% 214% 225%
분해능 95% 구간 — 179~261% 179~260% 189~275%
분해능 80% 구간 — 190~243% 190~242% 200~256%
눈가림 시험 32% 45% 48% 48%
눈가림 시험 95% 구간 21~44% 33~58% 36~61% 36~61%
눈가림 시험 80% 구간 25~40% 37~53% 40~57% 40~57%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 네 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다. 네 판을 처음부터 다시 함께 매겨 0.41 항목의 표보다 모든 판의 비율이 낮습니다(11).

0.41 (2026-10-04) 테두리에서 잘린 머리카락 끝 · 소매 되돌리기

  0.1버전 0.39버전 0.40버전 0.41버전
분해능 100% 178% 214% 214%
분해능 95% 구간 — 150~214% 179~261% 179~260%
분해능 80% 구간 — 159~200% 190~243% 190~242%
눈가림 시험 35% 58% 58% 60%
눈가림 시험 95% 구간 24~48% 46~70% 46~70% 47~71%
눈가림 시험 80% 구간 28~43% 50~66% 50~66% 52~68%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 네 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다. 0.39 · 0.40은 60장의 배경 지도가 바이트 단위로 같아 한 칸으로 매겼습니다(11).

0.40 (2026-10-03) 선으로 그린 방의 바닥

  0.1버전 0.38버전 0.39버전 0.40버전
분해능 100% 178% 178% 214%
분해능 95% 구간 — 150~214% 150~214% 179~261%
분해능 80% 구간 — 159~200% 159~200% 190~243%
눈가림 시험 42% 58% 58% 58%
눈가림 시험 95% 구간 30~54% 46~70% 46~70% 46~70%
눈가림 시험 80% 구간 34~50% 50~66% 50~66% 50~66%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 네 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다. 0.39 · 0.40은 60장의 배경 지도가 0.38과 바이트 단위로 같아 그 판정을 그대로 썼습니다(11).

0.39 (2026-10-02) 밑색: 흰색에 묻힌 색 · 작은 색 면 · 그림자 밑색

  0.1버전 0.37버전 0.38버전 0.39버전
분해능 100% 153% 178% 178%
분해능 95% 구간 — 129~184% 150~214% 150~214%
분해능 80% 구간 — 136~173% 159~200% 159~200%
눈가림 시험 42% 52% 58% 58%
눈가림 시험 95% 구간 30~54% 39~64% 46~70% 46~70%
눈가림 시험 80% 구간 34~50% 43~60% 50~66% 50~66%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 네 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다(11).

0.38 (2026-10-02) 장면 배경에 넘어간 선 없는 옷 · 다리 되돌리기

  0.1버전 0.36버전 0.37버전 0.38버전
분해능 100% 133% 153% 178%
분해능 95% 구간 — 111~161% 129~184% 150~214%
분해능 80% 구간 — 118~151% 136~173% 159~200%
눈가림 시험 42% 50% 52% 58%
눈가림 시험 95% 구간 30~54% 38~62% 39~64% 46~70%
눈가림 시험 80% 구간 34~50% 42~58% 43~60% 50~66%

분해능은 0.1을 100%로 둔 값이고, 그 구간은 같은 그림을 짝지어 다시 뽑은 부트스트랩(10,000번, 씨앗 20261002)에서 95% 구간은 2.5 · 97.5 백분위, 80% 구간은 10 · 90 백분위입니다(0.1은 비교 기준이라 구간이 없음). 눈가림 시험은 픽시브 AI 생성 그림 60장에서 네 판의 결과를 섞어 어느 판인지 모르게 매겼을 때 “큰 손실 없음”인 그림의 비율이고, 구간은 윌슨 구간입니다(11).

0.37 (2026-10-01) 기울어진 그림, 검은 옷이 배경으로 새는 것 막기

0.36 (2026-09-30) 예전 PSD 층 이름 고치기를 프로그램 안으로

0.35 (2026-09-30) 층 이름 “색 트레이스”, 예전 PSD 층 이름 바꾸기 도구

0.34 (2026-09-30) 한계 다시 풀기: 흰 배경의 좁은 틈, 좌우 합의 얼굴, 검은 머리 되돌리기

0.33 (2026-09-30) 캐릭터 층 검증, 캐릭터 사이로 보이는 배경(틈)

0.32 (2026-09-30) 배경을 못 찾는 그림 줄이기

0.31 (2026-09-30) 선으로 둘러싸인 곳은 배경으로 가져가지 않기

0.30 (2026-09-30) 큰 그림은 줄여서 나누기(설정)

0.29 (2026-09-30) 큰 그림의 색 걸음 문턱을 그림 크기 비율로

0.28 (2026-09-29) 떨어진 머리카락 조각의 이름 떼기

0.27 (2026-09-29) 평평한 배경에서 얼굴 기준 넓히기 생략, 세부 조건별 결과

0.26 (2026-09-29) 새 그림 342장 검증, 배경 없는 그림의 빈 배경 층, 얼굴과 배경 결과의 관계

0.25 (2026-09-29) 얼굴 없는 그림의 “피부” 색 이름 없애기

0.24 (2026-09-29) 두 사람 그림의 폴더, 창백한 피부 이름

0.23 (2026-09-29) 보정 뒤 다시 나누기를 빠르게

0.22 (2026-09-29) 가짜 얼굴이 붙이던 이름 · 폴더 줄이기

0.21 (2026-09-29) 흰 배경 위의 흰 옷

0.20 (2026-09-28) 처음 보는 그림 300장으로 검증

0.19 (2026-09-28) 배경 · 얼굴 · 캐릭터 · 글로우 · 붓 그림 정리 재검증

0.18 (2026-09-28) 이름 붙이기 재검증

0.17 (2026-09-28) 붓 그림 밑색 정리

0.16 (2026-09-28) 외곽 글로우 층

0.15 (2026-09-28) 캐릭터별 폴더

0.14 (2026-09-28) 눈 · 피부 · 머리카락 이름

0.13 (2026-09-28) 가짜 얼굴 거르기

0.12 (2026-09-28) 얼굴을 찾아 배경 넓히기

0.11 (2026-09-28) 그림을 재서 정하는 선 굵기

0.10 (2026-09-28) 딸려 들어간 캐릭터 부분 되돌리기, 전체 재검증

0.9 (2026-09-27) 끊기지 않는 러프

0.8 (2026-09-27) 레이어 모두 끄기

0.7 (2026-09-27) 선으로 그린 배경 자동 분리

0.6 (2026-09-27) 잘린 부분 자동 판정, 올가미, 최대 파츠 수

0.5 (2026-09-27) 보정 도구

0.4 (2026-09-27) 장면 배경과 정확한 선

0.3 (2026-09-27) AI 생성 그림으로 다듬기, 작업 파일 층

0.2 (2026-09-27) 일러스트레이터식 층 구조, 인터넷 없이 실행

0.1 (2026-09-27) 첫 버전

13. 참고 문헌

수식 풀이의 참고에 번호로 적은 문헌입니다. “이 프로그램의 실험(절)”은 문헌 없이 이 프로그램이 시험 그림으로 정한 값 · 규칙이고, 근거는 적힌 절에 있습니다. “이 프로그램에서 정한 규칙”은 표기 · 반올림처럼 근거가 필요 없는 약속입니다.