I. 서 론
1. 연구의 배경 및 목적
2. 연구의 방법 및 범위
II. 이론적 배경
1. 이미지 생성 AI와 추가학습
2. 바이오필릭 디자인 속성과 계획 요소
III. 바이오필릭 디자인의 속성 LoRA 모델 최적화 및 분석
1. 로라 모델 구축을 위한 전처리 및 최적화
2. 데이터셋에 따른 로라 모델 분석 및 결과
IV. 추가학습(Fine-Tuning) 기반 바이오필릭 침실 디자인 이미지 생성
1. 로라 모델 기반 바이오필릭 침실 디자인 이미지 생성
2. ControlNet 기반 바이오필릭 침실 디자인 이미지 생성
3. Regional Prompter 기반 바이오필릭 침실 디자인 이미지 생성
V. 결 론
I. 서 론
1. 연구의 배경 및 목적
최근 이미지 생성 AI(Generative Artificial Intelligence)는 다양한 분야에 혁신을 가져오고 있으며, 특히 건축 설계 분야에서 그 역할은 주목할 만하다. 이미지 생성 AI는 학습된 데이터와 예측 모델링을 통해 사용자 요구에 따른 새로운 설계 대안을 생성할 수 있고, 실용성을 가진 창의적인 도구이다(Raina et al,. 2019). 이미지 생성 AI는 사용자가 입력한 텍스트 프롬프트를 토대로 결과물을 도출한다(Fui-Hoon Nah et al., 2023). 그러나 프롬프트 기반의 이미지 생성은 프롬프트를 정확하게 인식하지 않거나 의도한 것과 상이한 결과를 도출할 수 있다(Chang & Han, 2024). 이미지 생성 AI 모델인 스테이블 디퓨전(Stable Diffusion)은 구체적이고 복잡한 프롬프트 엔지니어링(Prompt Engineering)이 없이도 추가학습을 통해 고품질의 이미지 생성을 가능케 한다. 이는 주거공간 디자인을 더욱 효율적으로 제안할 수 있는 방안이 될 수 있다.
건축 디자인 분야에서 주거공간 디자인은 인간의 생활에 직접적인 영향을 미치며, 거주자의 삶의 질을 결정짓는 중요한 과정이다(Kim, 2013a). 특히 주거공간 중 침실은 거주자들이 대부분의 시간을 보내는 곳으로, 주거생활의 30% 이상을 차지한다(Hasselaar & Van Ginkel, 2004). 한편, 대다수 도시 거주자들은 도시의 환경적 요인으로 스트레스에 취약하기 때문에 침실과 같은 주거공간에서 심리적, 정서적 안정을 지원할 필요가 있다(Harting, 1993). Kim(2013b)은 실내의 자연 요소가 거주자의 정신건강의 질을 향상시키고, 쾌적한 환경을 조성한다고 하였다. 또한 Kellert(2008)는 인간의 본능이 자연을 향한다는 바이오필리아(Biophilia) 이론(Wilson, 1986)에 근거하여 바이오필릭 디자인(Biophilic Design)을 제안했다. 바이오필릭 디자인은 현대 건축 환경에서 인간과 자연이 긍정적으로 교감하기 위한 설계 전략으로 특히 시각적 감각을 통한 경험을 강조한다(Kellert, 2018). 그러나 바이오필릭 디자인의 이론 체계는 다소 광범위하고 모호하기 때문에(Lee, 2022) 관련 세부 요소들을 시각화하는데 어려움이 있다. 이미지 생성 AI는 원하는 이미지를 단시간 내에 생성하며, 시각화에 특화되어 있는 도구이다. 따라서 이미지 생성 AI가 시간적 측면에서 효율적이고, 시각화의 품질이 높다는 점을 감안하면, 바이오필릭 디자인의 세부요소가 적용된 침실을 다각적으로 시각화하는 데 있어 실마리 모색이 가능하다.
이미지 생성 AI를 활용한 바이오필릭 디자인 연구(Viliunas & Gediminas, 2022; Lee, Park, & Kim, 2023)들은 주로 프롬프트 기반의 이미지 생성을 다루고 있다. 그러나 추가학습을 통한 파인튜닝 및 맞춤형 바이오필릭 디자인 시각화 방안을 다루는 연구의 진행은 미흡하다. 따라서 본 연구의 목적은 이미지 생성 AI의 추가학습을 기반으로 바이오필릭 주거공간의 이미지 생성 방안을 모색하는 것이다. 이러한 시도는 향후 바이오필릭 디자인 분야에 있어서 새로운 시각화 생성 방법과 설계 적용의 잠재성을 모색할 수 있다고 사료된다. 또한, 추가학습 모델 기반 구체적인 시각화 방식을 체계화함으로써 연구 결과의 실효성을 높일 것으로 기대된다.
2. 연구의 방법 및 범위
본 연구는 스테이블 디퓨전(Stable Diffusion)의 추가학습모델을 활용하며, 운용 방식은 Web UI 로컬 기반이다. 구체적인 연구의 방법 및 범위는 <Figure 1>과 같다.
첫째, 이미지 생성 AI와 추가학습 및 바이오필릭 디자인의 이론 관련 선행연구를 고찰하고 침실공간 적용을 위한 바이오필릭 디자인 속성을 선정한다. 둘째, 선정한 속성 별 계획요소를 추출하고 이를 바탕으로 이미지 생성을 위한 프롬프트를 도출한다. 셋째, 추가학습의 베이스가 되는 로라(Low-Rank Adaptation, LoRA) 모델을 위한 데이터셋(Datasets)을 구축하고 하이퍼파라미터 최적화 과정을 거친다. 데이터셋 구축은 이미지 데이터베이스 및 오픈 검색 엔진인 Archdaily와 Pinterest를 통해 바이오필릭 침실공간 이미지를 수집하였으며, 바이오필릭 디자인 분야 전문가 5인의 검증을 거쳐 최종 선정하였다. 넷째, 데이터의 양에 따른 로라 모델을 비교 분석하여 최적의 이미지 데이터셋을 도출한다. 다섯째, 최적화된 로라 모델을 바탕으로 스테이블 디퓨전의 확장모델인 ControlNet과 Regional Prompter를 조합하여 바이오필릭 침실공간 이미지 생성 방안을 제시한다. 마지막으로, 생성 방법 및 출력 결과를 종합하여 효율적인 활용 방안 및 향후 방향에 대해 논의한다.
II. 이론적 배경
1. 이미지 생성 AI와 추가학습
1) 이미지 생성 AI와 건축 디자인
이미지 생성 AI는 기존 딥러닝(Deep Learning) 기술의 예측 및 분류를 넘어서 학습된 내용에 기반한 새로운 데이터를 생성하는 기술이다(Baek & Lim, 2023; Yoo & Lee, 2023). 이는 프롬프트를 기반으로 텍스트를 입력하여 이미지를 생성하는 Txt2img 방식과 이미지와 프롬프트를 함께 입력하는 Img2img 방식으로 나뉜다(Pengzhi, Baijuan, & Zhiheng, 2024).
최근 이미지 생성 AI의 급격한 발전으로, 건축 디자인 이미지를 생성하는 다수의 연구 진행이 활발하다(Ploennings & Berger, 2023). Seol(2024)는 이미지 생성 AI를 건축 렌더링에 적용함으로써 설계 효율성을 높이는 방안을 제시하였고, Shin(2024)는 이미지 생성 AI 기술을 건축 디자인 과정에 통합함으로써 디자인 구현의 효율성과 창의성을 증진하는 방법을 제시하였다. 또한 Zaha Hadid 건축사 사무소는 이미지 생성 AI 플랫폼인 미드저니(Midjourney)를 이용하여 기초 아이디어를 구상한다고 하였다. 이처럼 현재 건축 디자인 분야에서 이미지 생성 AI의 기술은 건축가의 반복적인 작업을 감소시킬 수 있고, 아이디어 구현에 직접적인 영향을 주는 시점까지 와 있다(Chang & Han, 2024).
초기 건축 디자인의 시각화 방식은 2D, 3D 프로그램을 사용하여 반복적인 작업과 렌더링에 많은 시간을 할애하였으며, 건축가의 전문성, 경험 지식에 기반한 복잡한 과정이었다(Koutamanis, 2000; Chae, Lee, & Lee, 2023). 그러나 이미지 생성 AI는 이미지 한 장당 3초 내외로 생성하여 효율적이고 빠른 시각화를 지원한다. 그뿐만 아니라 추가학습 모델의 사용 시 다양한 건축 디자인별 스타일의 모델을 생성할 수 있으며, 생성된 모델의 가중치를 조절할 수 있어 사용자가 원하는 디자인 방향으로 유도하기 쉽다. 또한 공간의 영역을 지정할 수 있어 색상, 재료, 디자인 등을 공간 별로 다르게 적용이 가능하다. 이는 건축가와 건축주 모두가 만족할 수 있는 맞춤형 디자인(Customized Design)을 제공한다. 따라서 본 연구는 이미지 생성 AI의 추가학습을 사용하여 바이오필릭 디자인 기반 침실 이미지를 생성하고자 한다.
2) 스테이블 디퓨전과 추가학습
스테이블 디퓨전은 이미지 생성을 위한 딥러닝 모델로서 잠재 확산 모델(Latent Diffusion Model)에 기반하여 고해상도의 이미지를 생성한다(Rombach et al., 2022; Feng et al., 2024). 또한 스테이블 디퓨전은 다른 AI 플랫폼과 다르게 추가학습이라는 강력한 특징을 가진다(Ploennings & Berger, 2023). 추가학습 모델은 가중치에 따른 이미지의 미세조정을 통해 고도의 커스터마이징(Customizing)이 가능하다. 특히, 스테이블 디퓨전은 추가학습 모델 중 보다 세밀한 이미지 조정을 위해 확장(Extension) 모델의 사용이 가능하다. ControlNet은 스테이블 디퓨전의 기본적인 성능을 유지하되, 새로운 제어 기능을 추가할 수 있도록 설계된 확장 모델이다(Zhang, Rao, & Agrawala, 2023). 따라서 사용자가 생성할 이미지에 세밀한 제어를 가능하게 하여 원하는 스타일이나 특징을 강조할 수 있다. 또한 Regional Prompter는 사용자가 지정한 영역에 프롬프트가 적용되도록 할 수 있다. 따라서 추가학습 모델과 확장 모델 두 가지를 조합하면 사용자가 원하는 세부사항까지 반영한 고도의 맞춤 이미지 생성이 가능하다. 최근 스테이블 디퓨전의 추가학습을 활용한 실내･외 시각화 연구(Chae, Lee, & Lee, 2023; Chen, Shao, & Hu, 2023; Choi & Lee, 2023; Pengzhi, Baijuan, & Zhiheng, 2023; Shin & Lee, 2023; Yoo & Lee, 2023)들에서 다루고 있는 내용은 <Table 1>과 같다.
Table 1.
Research on Interior and Exterior Visualization Using Fine-tuning
| Author | Design area | The purpose of utilizing fine-tuning |
| Choi & Lee (2023) | Floor plan | For the Purpose of Creating the Desired Floor Plan |
| Yoo & Lee (2023) | The exterior of building | For the Visualization of Home Exteriors |
| Shin & Lee (2023) | Space identity | For Deriving and Integrating Design Concept Ideas |
| chen, Shao, & Hu (2023) | Residential spaces by style | For the Uniform Creation of Interior Styles |
| Chae, Lee, & Lee (2023) | Customized spaces for the elderly | To Include Safety Facilities for the Elderly in Bathroom Spaces |
|
Pengzhi, Baijuan, & Zhiheng (2023) | facade |
To develop the model using diverse floor plan data and perform fine-tuning |
전반적으로, 관련 선행연구들은 이미지 생성 AI의 추가학습 기법을 사용하여 효율적인 건축 디자인 과정을 제시하고 있다. 특히, 추가학습을 활용하여 건축 도면부터 파사드까지 생성하여 설계의 기초부터 외관까지 등 다양한 영역에 적용이 가능하다는 것을 보여주었다(Choi & Lee, 2023; Shin & Lee, 2023; Yoo & Lee, 2023). 또한, 주거공간에서 전반적으로 통일된 스타일을 제공하기 위해 추가학습기법을 활용하였다(Chen & Shao, & Hu, 2023). 특정 대상을 위한 맞춤형 공간을 위해 추가학습 로라를 활용하고(Chae, Lee, & Lee, 2023), 다양한 도면 데이터를 통한 로라 모델 개발 및 확장 모델을 사용하여 보다 사용자가 프롬프트를 쉽게 제어하여 건축 디자인을 제시할 수 있는 방안을 제안하였다(Pengzhi, Baijuan, & Zhiheng, 2023). 이와 같이, 추가학습 기반 디자인 생성 방식은 다양한 설계 영역에서 활용함으로써 효율적이고 창의적인 디자인 프로세스를 구현 가능성을 확인할 수 있다. 그러나 바이오필릭 디자인과 관련하여 추가학습을 진행한 연구는 미흡한 실정이다. 따라서 본 연구에서 개발한 로라 모델과 ControlNet 및 Regional Prompter를 조합하여 더욱 세부적인 맥락과 조건부로 이미지를 생성할 수 있는 방안 논의가 필요하다.
2. 바이오필릭 디자인 속성과 계획 요소
1) 바이오필릭 디자인과 침실
바이오필리아 이론은 생명을 사랑하는 인간의 본능으로, 바이오필리아 성향이 강화될 때 인간의 신체적 및 정신적 회복력이 향상된다(Lee, 2022). 바이오필릭 디자인은 현대 건축 환경에서 바이오필리아 이론을 배양하기 위한 디자인 철학이며, 자연과의 접촉 기회가 부족한 건축 환경의 문제를 해소하려는 시도이다(Kellert, Heerwagen, & Mador, 2011). 따라서 바이오필릭 디자인은 인간이 자연과의 긍정적인 경험을 통해 신체적 및 인지적 기능을 회복하고, 거주자의 삶의 질 향상에 기여할 수 있다. 현대 건축에서 바이오필릭 디자인의 다감각적인 적용을 유도하려면 반복적인 학습과 경험이 중요하다(Kellert & Wilson, 1995). 이에 따라 Kellert(2018)는 바이오필릭 디자인의 적용과 활용을 고려하여 세 가지 경험과 25개의 하위 속성을 체계화하였다. 자세한 내용은 <Table 2>와 같다.
Table 2.
Experiences and Attributes of Biophilic Design
바이오필릭 디자인 경험은 자연과의 직접적 경험, 자연과의 간접적 경험, 공간과 장소의 경험으로 구분한다. 자연과의 직접적 경험은 인공적인 개입을 지향하고, 자연환경에 대한 실제적인 접촉을 의미하며, 자연과의 간접적인 경험은 자연의 패턴, 상징 등의 은유적인 자연 경험을 의미한다. 공간과 장소의 경험은 내 ･ 외부 공간의 연결로써, 통로와 출입 등 연결 공간의 시각적 연계, 문화적인 공간의 활용, 주변 환경과의 연계를 포함한다(Kim, Lee, & Yang, 2022).
도시 거주자들의 대부분은 삶의 90%를 실내에서 보내며, 그중 대략 60%는 집에서 보낸다(Beatley, 2011; Huntsman & Bulaj, 2022; Klepeis et al., 2022). 특히 침실의 점유시간은 전체 3분의 1 이상을 차지하며, 거주자들은 침실에서 하루 동안 쌓인 신체적, 정신적 스트레스에서 벗어나 휴식을 취한다(Hasselaar & Vin Ginkel, 2004). 바이오필릭 디자인은 거실, 침실 등 모든 주거공간에 적용할 수 있으며, 거주자의 생리적 및 심리적 측면에 긍정적인 영향을 미친다(Mcsweeney et al., 2014; Kellert, 2018; Yin et al., 2018; Huntsman & Bulaj, 2022). 또한 Ward Thompson et al.(2012)와 Roe and Asponall(2011)의 연구에 따르면, 사람이 자연과 연결되어 있을 때 스트레스를 유발하는 호르몬인 코르티솔 지수가 낮아지고, 주의력 및 집중력을 높인다고 보고되었다. 즉, 자연과의 접촉은 인간의 건강과 삶의 질에 큰 영향을 끼친다. 특히 인간이 자연과 접촉할 때, 시각적 요소는 자연을 인식하고 반응하는 데 있어 가장 중요한 역할을 하며, 결정적인 영향을 미친다(Correy, 1982; Hong, 2018). 또한 Küller(1986)은 시각적 환경이 인간에게 심리적 상태에 영향을 크게 준다고 하였다. 따라서 바이오필릭 침실 디자인을 제안할 시, 자연의 효과를 극대화할 수 있도록 시각적 구현성에 초점을 맞춰 계획 요소를 제안하는 것이 중요하다.
2) 바이오필릭 침실 디자인 계획요소와 프롬프트
본 연구는 바이오필릭 디자인 경험에 기반한 침실 이미지를 생성하기 위해 식물(Plants), 형태와 모양(Shapes and Forms), 그리고 전망과 은신(Prospect and Refuge) 속성에 초점을 맞춰 시각화 연구를 진행하였다. 식물은 공간에 단순히 도입하는 것만으로도 편안함, 만족감을 준다(Kellert, Heerwagen, & Mador, 2011). 또한 공간의 분리, 공기 정화, 채광 조절의 기능을 가지며 거주자의 신진대사 촉진 및 스트레스 완화에 기여한다(Yoo, 2018). 형태와 모양은 자연을 건축으로 가져오기 위한 가장 전통적이고 강력한 방법으로, 정적인 구조에 활력을 더 해줄 수 있다(Kellert, 2018). 자연물에서 발견되는 유기적이고 규칙적인 형상은 작업 효율 및 능률 상승과 상처 회복률을 높이는데 효과적이다(Park & Kong, 2016). 전망과 은신은 거주자에게 개방감과 보호감을 동시에 경험할 수 있는 공간적 특성을 의미하며, 거주자의 안정과 주거공간에 대한 친밀감 및 만족도 향상에 도움을 준다(Kellert, Heerwagen, & Mador, 2011; Hwang & Lee, 2015; Kellert 2018). 결과적으로, 이는 정신적 스트레스 및 긴장 완화의 효과가 있다(Augustin, Frankel, & Coleman, 2009).
본 연구는 위의 세 가지 경험 속성에 기반한 실내 및 주거계획을 다루는 선행연구(Kellert, 2011; Hwang & Lee, 2015; Park & Kong, 2016; Kim & Lee, 2020; Kim, Lee, & Yang, 2020; Lee, 2022)를 통해 <Table 3>과 같이 바이오필릭 침실 계획 요소를 도출하였다. 계획 요소는 이미지 생성 시 프롬프트 입력에 활용하므로, 시각적 구현성 및 핵심 키워드를 고려하여 재정리하였다. 또한 <Table 3>을 바탕으로 <Table 4>와 같은 바이오필릭 침실공간을 위한 프롬프트를 도출하였다. 프롬프트 도출 시 침실공간 적용 가능 여부와 속성의 특징을 표현하는 주요 키워드에 중점을 맞추어 도출하였다.
Table 3.
Biophilic Bedroom Planning Elements
| BEA* | Code | Planning elements for Bedroom |
| Plants | P1 | The introduction of air purification plants |
| P2 | Wall greening using planters | |
| P3 | Plant planting, including pots of trees, moss, etc | |
| P4 | Plant partitions for privacy | |
| Shapes and Forms | S1 | The shape of a pillar with a natural motif |
| S2 | Furniture with an organic form of wood | |
| S3 | Curved ceilings and structures | |
| S4 | Shapes Resisting Straight Lines and Right Angles | |
| Prospect and Refuge | R1 | A low ceiling |
| R2 | A narrow space | |
| R3 | A fireplace decoration | |
| R4 | A subtle view | |
| R5 | Internal and external connections | |
| R6 | A sense of openness | |
| R7 | Outside view through window |
Table 4.
Prompts for Designing Biophilic Bedroom
III. 바이오필릭 디자인의 속성 LoRA 모델 최적화 및 분석
1. 로라 모델 구축을 위한 전처리 및 최적화
로라는 언어모델에서 사용되는 추가학습 방법으로, 기존의 딥러닝 모델과 비교해 적은 자원을 사용하여 학습 효율을 높이고 특정 작업에 대한 적응력을 개선하는 데 도움을 줄 수 있다. 이는 프롬프트 기반의 이미지 랜덤성을 보완하여 사용자가 원하는 도메인 지식(Domain Knowledge)에 맞춤화할 수 있도록 지원한다. <Table 5>는 로라 모델 구축을 위한 설정값이며, <Figure 2>는 로라 모델의 개발과정이다. 로라 모델 구축 전, 이미지 생성 시 품질 향상을 위한 설정값 및 프롬프트가 필요하다. 이는 생성될 이미지의 뭉그러짐 및 화질 저하를 방지한다. 로라 모델 개발은 데이터셋을 준비하고 하이퍼파라미터를 설정한 후, 데이터를 기반으로 모델을 학습시키는 과정이다. 데이터셋은 이미지와 텍스트 데이터를 의미하며, 이미지 데이터는 캡션 과정(Captioning)을 거쳐 덱스트 데이터로 변환한다. 또한 로라 추가학습을 위해서는 모델의 학습 과정을 제어하는 매개변수인 하이퍼파라미터(Jeong & Lee, 2023)에 대한 설정이 필요하다. 배치사이즈(Batch size)란 학습데이터의 샘플 수이며, 에포크(Epoch)는 학습의 진행수, 반복(Repeat)은 학습의 반복, 학습률(Learning rate)은 학습 가중치가 업데이트되는 정도를 이야기한다. 마지막으로 옵티마이저(Optimizer)는 딥러닝 모델의 최적화 알고리즘을 선택하는 것이다. 하이퍼파라미터의 세부 설정값이 너무 작거나 클 경우 과적합이 생길 수 있으므로 적절한 값을 찾는 것이 중요하다. 일반적으로 에포크 수를 높이면 높은 품질의 로라 모델을 기대할 수 있고, 학습률을 낮출수록 안정적인 학습이 가능하다(Yoo & Lee, 2023). 따라서 본 연구는 에포크 값을 높이고 배치 사이즈와 학습률을 낮추어 연구를 진행하였다. 또한 학습을 진행하는 컴퓨터는 RTX 4090 GPU와 64GB의 메모리 용량을 갖춘 모델이다.
Table 5.
Default Image Generation Values and Hyperparameter Settings
2. 데이터셋에 따른 로라 모델 분석 및 결과
본 연구는 하이퍼파라미터 설정값 외에도 학습 데이터 양에 따른 이미지 품질을 비교･분석하여, 로라 모델을 최적화하고자 한다. 로라 학습 및 모델 구축과 관련된 선행연구(Chae, Lee, & Lee, 2023; Choi & Lee, 2023; Jeong & Lee, 2023)를 바탕으로, 기본 학습 데이터를 10장으로 설정하였으며, 20장 및 30장과 비교 ･ 분석하였다. 본 연구에서 제시하는 이미지는 각 속성별 1000장씩 도출하였으며, 바이오필릭 디자인 분야 전문가 5인의 검증을 통해 최종 선정하였다. <Table 6>은 이미지 데이터 양에 따른 로라 학습 이미지 생성 결과를 보여준다.
Table 6.
Comparative Analysis of Prospect and Refuge LoRA Models according to Planning Elements
본 연구는 세 가지 데이터 셋 중 ‘전망과 은신’ 속성에 초점을 맞춰 분석 내용을 논의하고자 한다. 결과적으로, 30장의 데이터가 가장 적합하다고 판단하였다. 데이터양이 많을수록 다양한 스펙트럼의 공간 이미지가 생성되었으며 이러한 결과는 많은 데이터를 사용함으로써 로라 모델이 더욱 풍부한 지식을 습득하고 다양성을 확보하여 모델 성능을 향상할 수 있음을 보여준다.
IV. 추가학습(Fine-Tuning) 기반 바이오필릭 침실 디자인 이미지 생성
1. 로라 모델 기반 바이오필릭 침실 디자인 이미지 생성
본 연구는 30장의 데이터셋을 기준으로 각 속성별 로라 모델을 개발하였으며, 자세한 이미지 생성 결과는 <Table 7>과 같다. 가중치 값은 그 형태가 유의미하게 나온다고 판단되는 0.7로 설정하였다. 이미지 분석 결과, 식물의 경우 벽면 녹화 및 식물 파티션 등이 생성되었으며, 형태와 모양은 목재의 형태를 은유적으로 표현한 기둥 등이 도출되었다. 또한 전망과 은신은 창을 통한 개방감과 작은 규모의 공간, 벽난로 등이 혼합 적용된 것을 확인하였다. 이에 따라 로라 학습 모델 활용 시 바이오필릭 디자인에 대한 이해가 높아지며, 원하는 의도를 파악하는 데 있어 더 나은 결과를 생성하는 것으로 판단된다. 따라서 본 연구는 로라 모델을 기반으로 하여 확장 모델 ControlNet과 Regional Prompter를 사용하여 바이오필릭 침실 공간을 생성하고자 한다.
Table 7.
Results of Image Generation by Attribute according to LoRA Model Development
| BEA* | Image generation results | ||
| Plants | Input | Plant partitions, Wall greening, Air purifying plants | |
| Output |  |  | |
|
Shapes and Forms | Input |
The shape of a tree, An organic form, Curved structure, Pillars of natural motifs | |
| Output |  |  | |
|
Prospect and Refuge | Input |
Low ceilings, Narrow spaces, Fireplace, Subtle lighting, Internal and external connections, External views through windows | |
| Output |  |  | |
2. ControlNet 기반 바이오필릭 침실 디자인 이미지 생성
건축 공간에서 ControlNet의 활용 시, 구조를 보존하면서 컨셉을 변경시킬 수 있다. <Table 8>은 ControlNet 기반의 Img2img 생성 결과이다. 결과적으로, 공간의 구조를 유지하면서 바이오필릭 디자인 속성을 생성하는 특성을 가지며, 식물의 경우 벽면녹화, 화분 및 식물 장식 등 시드 이미지의 구조적 특성에 적용 가능한 계획 요소들이 다양하게 나타났다. 또한 속성 중 형태와 모양은 대부분 목재가 적용된 곡선 천장과 기둥, 가구 등의 계획 요소가 도출되었으며, 전망과 은신은 내･외부와 연결, 은은한 조명, 개방감, 창을 통한 외부 전망 등의 계획요소가 도출되었다. 전망과 은신, 형태 및 모양은 공간적 특성을 받는 요소로 비교적 계획요소가 적게 도출되었다. 따라서 속성별 잠재적 특성인 공간의 높낮이, 발코니, 기둥 및 루버 등이 적용된 시드 이미지를 활용하는 것이 중요하다.
Table 8.
Results of Image Generation by Attribute according to ControlNet
| Input | Seed image | Canny Model Application | ||
 |  | |||
| Output | BEA* | Image generation results |
The derived planning elements | |
| Plants |  | P1, P2, P3 | ||
| Shapes and Forms |  | S2, S3 | ||
| Prospect and Refuge |  | R4, R5, R6, R7 | ||
3. Regional Prompter 기반 바이오필릭 침실 디자인 이미지 생성
Regional Prompter는 영역별로 프롬프트를 적용하는 확장 모델이다. 영역 지정에 제한은 없으므로, 사용자가 원하는 만큼 자유롭게 영역을 설정할 수 있다. 본 연구는 세 가지 속성별 구축한 로라 학습모델을 혼합 적용하기 위해 Regional Prompter를 활용하였으며, 자세한 내용은 <Table 9>와 같다. 영역 0에는 형태 및 모양 속성을 적용하여 곡선 형태의 천장이 생성되었고, 영역 1은 식물 속성으로 벽면 녹화, 공기 청정 식물이 생성되었다. 마지막으로, 영역 2는 전망과 은신 속성을 적용한 결과, 개방감, 창을 통한 실외 전망 등의 요소가 생성되었다. Regional Prompter의 활용 시, 형태 및 구조는 공간의 구조적인 측면에서 주요한 특징을 나타내므로 천장, 기둥 중심으로 영역을 지정하였으며, 은신과 전망은 두 가지 속성을 동시에 고려해야 하는 속성이므로 가장 넓은 영역으로 지정하였다. 이처럼 영역 지정 시, 생성하고자 하는 속성의 특성을 고려하는 것이 중요하며, 생성 및 적용 비율과 면적을 맞춤화하는 기능은 바이오필릭 디자인의 시각적 조사도구 개발에 유용할 것으로 판단된다.
Table 9.
Results of Image Generation by Attribute according to Regional Prompter
V. 결 론
본 연구는 이미지 생성 AI의 추가학습을 활용하여 바이오필릭 침실 디자인을 제안하고자, 선행연구를 통해 바이오필릭 침실 계획 요소 및 프롬프트를 도출하였다. 또한 로라 모델을 개발하고 이를 확장하여 바이오필릭 침실 이미지를 생성하는 방안을 제시하였다. 기존 AI 기술과 바이오필릭 디자인 분야의 연구는 대부분 딥러닝 기술에 초점을 맞추었지만, 본 연구는 이미지 생성 AI의 추가학습을 기반으로 바이오필릭 디자인에 특화된 침실을 제안하므로 기존 연구와는 다른 차별성을 가진다.
본 연구의 결과를 요약하면 다음과 같다. 첫째, 로라 기반 Txt2img 생성은 학습된 데이터양에 따라 결과에 차이가 있다. 본 연구는 30개의 데이터 학습 시 의도된 바와 가장 부합하는 결과를 도출하였으며, 로라 모델이 바이오필릭 디자인의 맞춤화된 고품질 이미지를 생성하는 데 효과적임을 확인하였다. 이는 바이오필릭 디자인의 정체성은 유지하되, 프롬프트의 랜덤성을 보완하여 이미지 생성 기술의 한계를 극복하는데 기여한다. 또한 바이오필릭 디자인의 세부 속성들은 이미지 생성 AI가 학습하지 못한 것으로, 추가학습을 통한 속성별 로라 모델 생성이 필요하다. 둘째, ControlNet 기반 Img2img 생성은 의도된 디자인 틀을 유지하며 유연한 변화를 제공한다는 이점이 있다. 따라서 공간 리모델링 시 유용한 활용이 가능하다. 셋째, Regional Prompter 기반 Txt2img 생성 결과, 공간의 영역을 지정함으로써 바이오필릭 디자인의 각 속성이 가진 구조적, 공간적 특징을 강조할 수 있다. 또한 기초 디자인 단계에서 적용 비율에 따른 시뮬레이션에 유리하며, 영역 지정 및 프롬프트의 수정이 용이하다. 이는 의도된 디자인 틀을 유지하며 유연한 변화를 제공한다는 이점이 있다.
이를 토대로 본 연구 결과의 활용 방안 및 잠재성은 다음과 같다. 첫째, 로라 및 확장 모델(ControlNet, Regional Prompter)을 활용하면, 바이오필릭 디자인 적용 시, 건축주의 선호도와 니즈(Needs) 반영에 직접적으로 기여할 수 있다. 둘째, 본 연구에서 제시한 이미지 생성 AI 활용 및 추가학습 기법은 바이오필릭 디자인의 자동화된 인터페이스 개발 시 유용한 자료로 가치가 있다. 이는 바이오필릭 디자인에 대한 비전문가의 접근성을 높이는데 유리하다. 마지막으로, 구축된 이미지 DB(Database)는 이미지를 비디오로 전환하는 스테이블 비디오 디퓨전(Stable Video Diffusion)과 연계할 수 있다. 이와 같은 활용은 클라이언트와의 커뮤니케이션에서 시각적인 전달력을 높여 설계 의도를 명확히 전달할 수 있다.
본 연구는 바이오필릭 디자인의 속성에 초점을 맞추어 계획 요소별 키워드 도출, 로라 모델 개발을 위해 데이터셋 구축 후 설정값 최적화, 모델 학습 등의 단계별 과정을 체계적으로 진행하여 구체적인 시각화 방식을 제안한 것에 의의가 있다. 이는 보다 일관된 생성물을 제공함으로써 시각적 정확성을 향상시킨다. 체계적인 시각화 방식은 바이오필릭 디자인뿐만 아니라 다양한 디자인 분야의 시각화 연구에도 적용 가능한 확장성이 있다. 또한 오랜 시간을 소요하는 기존 시각화 방식과는 달리 품질을 유지하면서 시간, 비용 면에서 높은 효율성을 보여준다. 이에 따라 본 연구는 이미지 생성 AI기반 바이오필릭 디자인 시각화의 기초 자료 제공에 기여한다.
그러나 본 연구는 바이오필릭 디자인의 25가지 속성 중 일부를 시각화하였으며, 추가학습 기반 이미지 생성에 초점을 맞추었으므로 바이오필릭 디자인의 속성 및 프롬프트 도출 방법의 다양성에서 한계점이 있다. 향후 연구는 시각적으로 구현할 수 있는 속성들의 로라 모델을 개발하여 다양한 가이드라인을 제공할 필요가 있다. 또한 LLM(Large Language Model) 등을 활용한 자동화된 프롬프트 엔지니어링 기법을 모색해 볼 가치가 있다. 마지막으로, VR/AR과 같은 동적 시각화 연구를 통해, 2D로는 표현하기 어려웠던 속성들의 계획 요소를 전달할 수 있는 방안을 논의할 필요가 있다.
