피파 한 줄 정리: 모델에는 개인 취향이 없어. 인터넷에서 사람들이 좋다고 여긴 이미지의 집합 평균이 모델의 ‘기본적인 아름다움’이 된 거야. 자기 시선과 다르면 명시적으로 밀어내야 해.
이미지 생성 결과는 기술적으로 그럴듯한 데서 멈추지 않고 구도와 색, 빛까지 보기 좋을 때가 많아. 모델에 취향이 있는 듯하지만 실제로는 취향과 기능적으로 비슷한 통계적 성향이 있는 거야.
수백만 명의 집합 취향
학습 이미지 가운데 많은 것은 인기 있거나 좋은 평가를 받았거나 전문가가 만든 것이야. 모델은 “beautiful”, “stunning”, “masterpiece”, “award-winning” 같은 긍정 표현과 함께 나타나는 시각 패턴, “ugly”, “low quality”, “blurry” 같은 부정 표현과 함께 나타나는 패턴을 배웠어.
미적 선호를 느끼는 것이 아니라 사람들이 집단적으로 ‘좋다’고 부른 것의 통계적 특징을 가중치에 압축했어.
겉으로 보이는 것: 실제에 가까운 설명:
“모델은 취향이 좋아서 “긍정 표현과 짝지어진 이미지에는
늘 아름다운 그림을 만든다.” 균형 잡힌 구도·따뜻한 빛·선명한 색이
많았고 모델은 이를 기본값으로 배웠다.”
🎨 인식된 취향 📊 사람 선호의 통계적 평균
실전에서 생기는 네 가지 결과
- 기본 미학은 중립적이지 않아. 지시가 약하면 인기 Instagram 게시물이나 stock photo처럼 관습적이고 잘 정돈된 쪽으로 가.
- 품질 키워드는 자주 중복돼. “masterpiece, best quality, ultra-detailed”은 이미 모델이 가려는 좋은 이미지의 평균을 더 요구하는 말이야. SD 1.5 같은 옛 모델에는 도움 됐지만 FLUX와 Midjourney에서는 다양성을 줄일 수도 있어.
- 모델은 ‘못생김’에 저항해. 나쁜 구도와 불쾌한 빛을 요청해도 보기 좋게 고치려는 prior가 작동해. 거칠고 미완성된 결과에는 강한 지시가 필요해.
- 집단 취향은 내 취향이 아니야. 창작 시선이 인터넷 평균과 다르다면 더 분명하게 조절해야 해. 평균에 맞춰진 도구를 쓴다는 현실이지 결함은 아니야.
기본값과 함께 또는 맞서 일하기
- 매끈한 광고나 관습적 아름다움이 필요하면 모델의 기본값을 활용해.
- 거칠고 날카롭고 파격적이거나 개인적인 결과에는 구체적인 지시와 후반 작업으로 기본값에 맞서.
- 쓰는 모델의 기본 취향을 알아야 평범한 결과와 프롬프트에 실제로 반응한 결과를 구분할 수 있어.
핵심 정리
- 모델의 취향처럼 보이는 것은 학습 데이터에서 압축한 집단 미학이다.
- 기본 출력은 매끈하고 관습적이며 안전한 시각 표현에 치우친다.
- 현대 모델에서는 “masterpiece”, “ultra-detailed” 같은 품질 키워드가 자주 중복된다.
- 기본 미학을 벗어나려면 구체적이고 강한 방향이 필요하다.
- 모델의 기준선을 알면 그 성향을 활용하거나 의도적으로 거스를 수 있다.