facts

최근 외식업계 메뉴판에서 발견되는 AI 생성 이미지들은 지나치게 대칭적이고 매끄러운 표면 처리를 보이는 공통점이 있다. 이는 모델이 학습한 데이터셋의 미학적 편향이 출력물에 그대로 반영된 결과다. 리얼리티 디펜더(Reality Defender)의 알렉스 리슬(Alex Lisle) CTO는 이러한 현상이 2015년경의 상업적 메뉴판과 같은 특정 말뭉치(Corpus)를 기반으로 학습된 모델의 특성에서 기인한다고 분석했다.

이미지의 비현실성에 대한 거부감은 심리학적 근거를 가진다. 독일 뒤스부르크-에센 대학교(University of Duisburg-Essen) 연구진은 AI가 생성한 음식 이미지가 '불쾌한 골짜기(Uncanny Valley)' 효과를 유발한다는 점을 발견했다. 완전히 가짜인 이미지보다 실제와 매우 유사하지만 미세하게 어긋난 이미지가 사용자에게 더 큰 혐오감과 불안감을 준다는 결과다.

사용자가 생성된 이미지를 반복적으로 수정할 때 발생하는 품질 저하 현상도 관찰됐다. X(구 트위터)의 사용자 Labtec은 ChatGPT를 이용해 메뉴판을 생성한 뒤, 세부 사항을 100번 수정하는 실험을 진행했다. 가격이나 품목명 같은 텍스트 정보를 소폭 변경하며 반복 편집한 결과, 음식의 형태가 점점 더 둥글고 매끄럽게 변하며 실제 음식의 질감에서 멀어지는 현상이 나타났다.

how-it-works

확산 모델(Diffusion Model)과 대규모 언어 모델(LLM)은 방대한 데이터셋에서 패턴을 식별해 사용자의 요청에 가장 부합하는 결과물을 예측한다. 이 과정에서 데이터셋 내의 '쾌적함'이나 '비공격성'을 최적화하는 경향이 있는데, 이는 결과적으로 이미지의 날카로운 경계나 세부적인 특징을 깎아내는 '균질화(Homogenization)'로 이어진다.

이러한 현상은 '수렴(Convergence)'과 '모델 붕괴(Model Collapse)'라는 두 가지 메커니즘으로 설명된다. 수렴은 모델이 특정 스타일의 데이터에 과하게 의존해 출력물의 다양성이 사라지고 품질이 점진적으로 저하되는 상태를 말한다. 예를 들어 패스트푸드 메뉴 생성 요청 시 모델이 맥도날드나 버거킹 같은 대형 체인의 정형화된 스타일을 참조하고, 이것이 다시 학습 데이터로 유입되면서 해당 스타일이 더욱 강화되는 피드백 루프가 형성된다.

모델 붕괴는 수렴보다 더 극단적인 단계다. AI가 생성한 콘텐츠가 다시 AI의 학습 데이터로 대량 유입될 때 발생하는 일종의 '근친교배' 현상으로, 모델이 데이터의 실제 분포를 잊어버리고 결국 시스템 전체가 무너지는 상태를 의미한다. 현재 메뉴판에서 보이는 지나친 매끄러움과 정형화는 모델이 완전히 붕괴하기 전, 출력값이 특정 지점으로 모이는 수렴 단계의 전형적인 모습이다.

implementation-impact

이미지 생성 파이프라인을 구축하는 실무자는 학습 데이터의 다양성 확보와 더불어 'AI 생성 데이터의 재유입'을 차단하는 필터링 공정을 필수적으로 검토해야 한다. 특히 상업적 목적의 고해상도 에셋을 생성할 때, 모델이 제시하는 '가장 그럴듯한(Pleasing)' 결과물에만 의존하면 브랜드 고유의 시각적 정체성이 사라지고 시장 전체의 이미지가 균질화되는 리스크를 안게 된다.

특히 반복적인 인페인팅(Inpainting)이나 부분 수정 작업을 수행하는 워크플로우에서는 매 수정 단계마다 이미지의 엔트로피가 낮아지며 질감이 뭉개지는 특성이 있다. 따라서 최종 결과물을 도출하기 전, 원본 데이터의 질감(Texture)과 세부 디테일이 유지되고 있는지 검증하는 기준점을 설정하고, 과도한 반복 수정보다는 프롬프트 재설계를 통한 신규 생성이 품질 유지에 유리하다.