학습 데이터의 사전 경향과 구도 편향

머릿속 모형: 오성급 프랑스 식당에서만 수련한 요리사를 생각해 봐. 코코뱅은 훌륭하게 만들지만 길거리 타코를 부탁하면 자기도 모르게 뵈르 블랑 소스를 얹고 고급 접시에 담을 수 있어. 고집을 부리는 게 아니라 ‘좋은 음식’의 기준 전체가 훈련 환경에서 만들어졌기 때문이야. 이미지 모델도 학습 데이터가 만든 깊은 경향을 모든 결과에 끌고 온다.

학습 데이터의 사전 경향이란

이미지 모델은 인터넷에서 수집하거나 스톡 사진 회사에서 구매하거나 특정 기준으로 선별한 거대한 이미지 집합으로 학습한다. 이 데이터는 현실을 중립적으로 비추는 거울이 아니다. 사진가, 예술가, 큐레이터, 업로더의 취향과 관습이 그대로 들어 있다.

• 스톡 사진 미감: 가운데 놓인 피사체, 깨끗한 배경, 따뜻한 조명, 매력적으로 웃는 인물이 기본값이 되기 쉽다.
• 서구 중심 구성: 건축, 옷, 음식, 풍경이 북미와 유럽의 시각 관습에 치우칠 수 있다.
• 전문 사진 관습: 삼분할 구도, 골든아워, 얕은 심도가 ‘좋은 이미지’의 기본 문법처럼 반복된다.
• 인구 집단 편향: 데이터 구성에 따라 특정 민족, 체형, 나이, 장애 유무가 과도하게 또는 부족하게 나타난다.

‘기본적으로 예쁜 그림’ 문제

“길을 걷는 사람”처럼 단순한 문장을 넣으면 많은 모델이 비슷한 장면을 내놓는다. 젊고 관습적으로 매력적인 인물, 따뜻한 색, 살짝 영화 같은 구도, 얕은 심도, 정돈된 도심이 자주 나온다. 모델이 사용자의 뜻을 읽은 게 아니라 수백만 장의 비슷한 사진에서 학습한 통계적 중심으로 돌아간 결과다. 모호한 프롬프트일수록 이 중력이 강해진다.

반복되는 구도 상투어

• 인물 사진: 머리와 어깨 중심, 정면 눈높이, 흐린 배경
• 풍경: 아래쪽 삼분선의 수평선, 극적인 하늘, 시선을 끄는 선
• 음식: 위 또는 45도에서 촬영, 투박한 나무 상판, 주변에 흩어진 재료
• 제품: 흰색이나 그라데이션 배경 중앙, 약간 높은 촬영 각도

이 관습은 보기 좋은 결과를 빨리 주지만 생성 이미지가 전부 비슷해 보이게도 한다. 벗어나려면 의도한 예외를 명시해야 하고, 그래도 모델이 익숙한 쪽으로 되돌아가려 할 수 있다.

기본값을 알아보고 벗어나는 법

• 기본값을 먼저 알아차려: 결과가 막연히 세련됐을 뿐 내 의도가 보이지 않으면 모델의 사전 경향이 주도한 거야.
• 흔치 않은 조건을 넣어: 형광등·흐린 날·박명 같은 조명, 벌레 시점·창문 너머 같은 시점, 낡고 평범하고 어수선한 대상을 명시해.
• 지원된다면 부정 프롬프트를 써: “보케 없음, 골든아워 없음, 중앙 구도 없음”처럼 원하지 않는 상투어를 지워.
• 참조 이미지를 제공해: 학습 데이터의 중력에서 말만으로 빠져나오기 어렵다면 원하는 방향을 직접 보여 줘.