여러 참고 이미지를 한 장면에 합치려면 어떤 옷과 소품이 어느 인물에 속하는지, 배경과 인물의 관계를 어떻게 배치할지 명확히 지정해야 한다. 2026년 7월 17일 arXiv에 공개된 프리프린트는 자연어 지시만으로는 이 관계가 모호해질 수 있다는 문제에서 출발해 StructGen을 제안했다. 이는 공개 제품 출시가 아니라 연구진이 만든 데이터·학습·평가 체계의 실험 결과다.
StructGen은 참고 이미지를 사전식 구조로 표현해 인물, 속성, 장면의 연결을 명시한다. 연구진은 이 구조화된 문맥이 긴 설명 없이도 생성 의도를 전달하고, 속성을 잘못된 인물에 붙이는 오류를 줄인다고 설명한다. 고품질 실제 이미지를 바탕으로 데이터 큐레이션 파이프라인을 만들고, 작업 유형과 인물 수, 장면 참고 여부를 조합한 8개 하위집합 벤치마크도 구성했다.
논문의 표 1에서 의상 조건 생성 과제의 평균 PF·SC·ID는 StructGen이 7.66·8.76·0.47을 기록했다. BAGEL은 6.59·8.41·0.24, BAGEL-MICo는 6.78·8.68·0.41, Echo-4o는 6.76·8.58·0.36이었다. 의상 유지 과제에서도 StructGen은 평균 7.11·8.20·0.43으로 비교 모델보다 높은 값을 보고했다.
다중 인물과 장면 참고가 함께 있는 하위집합에서는 StructGen이 6.80·6.66·0.27을 기록했고 BAGEL은 4.52·5.91·0.17, Echo-4o는 5.50·6.20·0.26이었다. 학습 데이터는 세 구성의 합계 2만5,662개 샘플로 제시됐고, 학습은 H20 GPU 4장에서 1만3,000스텝 진행됐다. 이 수치는 연구진이 설계한 벤치마크와 평가 지표에 종속된다.
StructGen의 의미는 모델 하나의 순위보다 다중 참고 생성에서 관계를 표현하는 입력 형식과 평가 틀을 함께 제안했다는 데 있다. 다만 결과는 동료검토 전 프리프린트이며, 자체 데이터와 자동·모델 기반 평가가 사람의 선호나 실제 편집 작업을 얼마나 대표하는지는 추가 검증이 필요하다. 공개 코드와 데이터의 재현성도 후속 판단 기준이 된다.
저작권자 © STORIUM 무단전재 및 재배포 금지
