Module 04

고급 비주얼 편집 & 툴 아키텍처 비교

인물 전신 반영 3대 기술 및 데이터셋 구축, 인페인팅 마스킹 정밀 제어(시스루 제거 vs 완전 투명화), SD WebUI vs ComfyUI 아키텍처 심층 비교

1. 내 사진/특정 인물을 반영하는 3대 접근 방식 비교

원하는 인물의 외형, 이목구비, 체형을 생성물에 일관되게 투영하기 위한 3가지 기술적 접근 경로와 특징입니다.

구분	방식 A: FLUX Img2Img (즉시 가능)	방식 B: ReActor Face Swap (얼굴 교체)	방식 C: 캐릭터 전신 LoRA (정공법)
적용 목적	내 사진의 포즈, 골격, 얼굴형을 토대로 스타일/의상/배경 재창조	생성된 임의의 체형/배경에 내 실제 얼굴만 1:1로 정밀 합성	얼굴, 윤곽, 바디라인, 옆모습, 뒷모습 등 전신 360도 완벽 복제
필요 자원	사진 1장, 추가 다운로드 없음	사진 1장, `comfyui-reactor-node`	다양한 각도 사진 15~25장, 20~30분 학습
핵심 기술	`LoadImage` + `VAEEncode` + `denoise: 0.55~0.65`	InsightFace 안면 랜드마크 분석 및 스왑	ai-toolkit / Kohya_ss 8-bit QLoRA 파인튜닝

💡 전신 다각도 복제를 위한 데이터셋(사진 20장) 준비 수칙

화각 배분: 전신 샷(머리부터 발끝, 정면/측면/뒷모습) 8~10장, 상반신 샷 5~6장, 얼굴 클로즈업 4~5장.
과적합 방지: 사진마다 옷과 배경이 반드시 달라야 함 (동일한 옷을 입고 찍으면 AI가 그 옷을 신체 부위로 오인 학습함).
트리거 워드: 고유 식별자(예: ohwx person)를 부여하여 프롬프트 호출 시 해당 인물의 체형과 얼굴을 동시 소환.

2. 인페인팅(Inpainting): 특정 부위 콕 집어 수정하는 마스크 워크플로

원본의 얼굴, 체형, 배경 등 보존할 영역은 1픽셀도 건드리지 않고, 지정한 옷이나 소품 영역만 정밀하게 새로 그리는 표준 노드 연결 구성입니다.

LoadImage 노드 우클릭 → Open in MaskEditor:
- 브러시 크기(Thickness)를 조절하여 수정할 부위(옷, 배경 등)를 꼼꼼히 칠합니다.
- 우측 하단의 Save to node 버튼을 클릭합니다.
VAEEncodeForInpaint 노드 연결 (인페인팅 전용 인코더):
- pixels ← LoadImage의 IMAGE 출력선 연결
- mask ← LoadImage의 MASK 출력선 연결
- vae ← VAELoader의 VAE 출력선 연결
- grow_mask_by: 8 ~ 12 설정 (마스크 경계선을 8~12픽셀 바깥으로 부드럽게 확장하여 이음매 완화)
- LATENT → KSampler의 latent_image 입력선 연결
KSampler 파라미터 세팅 (디노이즈 제어):
- denoise: 0.85 ~ 0.95: 마스킹 영역 안쪽의 원본 픽셀 정보(색상, 패턴)를 완전히 지우고 새 프롬프트로 재창조하기 위해 0.85 이상 필수. (0.6 이하일 경우 원본 옷의 얼룩이 남음)
- cfg: 1.0 고정, steps: 25, sampler_name: euler, scheduler: simple.

3. 실전 의상 소재 제어: 시스루 제거 vs 완전 투명(100% See-through)

디퓨전 모델의 잠재 공간(Latent Space) 특성을 활용하여 의상의 투명도를 극단적으로 제어하는 2대 실전 워크플로입니다.

사례 1: 시스루(비치는 소재) 제거 및 불투명 원단 교체

비치는 피부 톤과 텍스처 흔적을 완전히 차단하고 두께감 있는 고급 불투명 직물(면, 실크, 니트)로 덮는 세팅입니다.

마스킹 요령: 시스루 부위뿐만 아니라 옷의 봉제선(경계선) 바깥쪽 2~3mm까지 살짝 넓게 마스킹. grow_mask_by: 10.

긍정 프롬프트 (Positive):

completely opaque solid fabric, thick high-density cotton, matte silk fabric, elegant solid texture, non-transparent, perfectly tailored clothing, highly detailed fabric weave, realistic cloth folds, smooth studio lighting

부정 프롬프트 (Negative - 필수):

see-through, sheer, transparent, translucent, mesh, lace, gauze, visible skin underneath, thin fabric

KSampler 디노이즈: denoise: 0.90 (피부 비침을 완전히 소거하고 새 원단 생성).

사례 2: 완전 투명(100% See-through / Clear Vinyl) 의상 구현

⚠️ 디퓨전 모델의 '투명' 처리 원리와 세이프티 가드레일 극복

• 작동 원리: AI에는 그래픽 툴의 '알파 채널(투명도)'이 없습니다. 투명하게 만든다는 것은 옷에 가려진 내부 신체(피부 톤, 윤곽, 음영)를 새로 그리고, 그 위에 얇은 투명 반사광/굴절 하이라이트를 얹는 합성입니다.
• FLUX.1-dev 특성: 베이스 모델에 인체 노출 방지(안전 정렬)가 되어 있어, 극단적 투명 지시 시 마네킹 플라스틱화나 옷이 도로 불투명해지는 현상이 발생할 수 있습니다.
• 극복 전략: 젖은 질감(wet-look), 초박형 클리어 비닐, 유리 같은 빛 반사를 구체적으로 지시하거나 해부학 보강 LoRA를 결합합니다.

마스킹 요령: 투명하게 변경할 의상 영역 전체를 마스킹. grow_mask_by: 8.

긍정 프롬프트 (Positive):

completely transparent crystal clear sheer fabric, 100% see-through clear vinyl material, glass-like transparency, wet look, ultra-thin transparent layer, subtle specular highlights, realistic light reflections, visible natural skin texture and body contours underneath, soft studio illumination, photorealistic, 8k

부정 프롬프트 (Negative):

opaque, solid fabric, thick cloth, cotton, matte texture, covered, hidden, blurry, mannequin skin, plastic artifacts, distorted anatomy

KSampler 파라미터: denoise: 0.90 ~ 0.95, steps: 25, cfg: 1.0, FluxGuidance: 3.5.
고급 2-Pass 기법: 1차 인페인팅(Denoise 0.9)으로 내부 신체 윤곽/피부 톤을 복원한 후, 2차 인페인팅(Denoise 0.3~0.4)으로 얇은 투명 반사광과 주름을 덧입히는 방식을 적용하면 디테일 붕괴를 완전히 방지할 수 있습니다.

4. 비주얼 툴 비교 분석: SD WebUI (A1111/Forge) vs ComfyUI 아키텍처 차이

SD WebUI가 버튼과 슬라이더로 조작하는 완제품 대시보드(자동변속기 세단)라면, ComfyUI는 파이프라인의 모든 전선과 모듈을 직접 연결하는 모듈형 엔지니어링 툴(수동 레이싱카 / 레고 블록)입니다.

[1] 핵심 기능 및 사양 비교 매트릭스

비교 항목	SD WebUI (AUTOMATIC1111 / Forge)	ComfyUI (공식 포터블 권장)
인터페이스 형태	정형화된 입력 폼 (텍스트 박스, 슬라이더, 드롭다운 탭)	비주얼 노드 그래프 (연산 블록을 선으로 연결하는 캔버스)
VRAM 메모리 관리	정적/통합 적재 (모델을 통째로 GPU에 올리려는 경향)	동적 블록 페이징 (연산 중인 레이어만 VRAM 로드 & 즉시 RAM 오프로드)
RTX 3060 12GB 적합성	SD 1.5, SDXL 적합 / FLUX·비디오 구동 시 OOM 빈발	FLUX GGUF, LTX-Video 12GB 구동 필수 플랫폼
파이프라인 결합성	Txt2Img → Img2Img → Extra 탭 간 수동 이동 필요	생성 → 인페인팅 → 페이스스왑 → 비디오 변환 일체형 결합
작업 공유 / 재현성	프롬프트/시드 텍스트 복사-붙여넣기 (누락 잦음)	생성된 PNG 이미지를 브라우저에 드래그하면 전체 노드 1초 복원
신기술/모델 지원 속도	WebUI 메인 개발진의 UI 구현 패치 대기	논문/신규 가중치 공개 당일 커스텀 노드로 즉시 사용 가능
초기 진입 장벽	낮음 (직관적인 탭 구성)	중~상 (CLIP, VAE, Latent, Conditioning 개념 이해 필요)

[2] 기술적 차이점 4대 핵심 분석

1. 구동 방식 (블랙박스 vs 투명한 파이프라인)

WebUI는 `Generate` 버튼 하나로 인코딩부터 디코딩까지 보이지 않는 곳에서 일괄 처리되므로 중간 수정이 어렵습니다. 반면 ComfyUI는 텍스트 인코더, 샘플러, VAE가 각각 독립 블록으로 분리되어 있어 잠재 공간(Latent) 데이터를 가로채 원하는 모델로 넘기는 등의 극한 튜닝이 가능합니다.

2. 동적 VRAM 스와핑 (Dynamic Memory Staging)

ComfyUI는 연산 흐름을 노드 단위로 추적하여 현재 연산 중인 모듈 가중치만 12GB VRAM에 올리고, 계산이 끝난 가중치는 즉시 64GB 시스템 RAM으로 밀어냅니다. 12GB VRAM에서 120억 파라미터의 FLUX나 LTX-Video가 부드럽게 돌아가는 기술적 원천입니다.

3. 복합 자동화 파이프라인 일체화

WebUI에서는 이미지를 생성한 뒤 얼굴을 보정하려면 `Send to Inpaint`를 누르고, 고해상도로 키우려면 `Send to Extra`로 넘어가야 합니다. ComfyUI는 [텍스트 생성 → 얼굴 마스킹 → 디테일러 → 업스케일 → LTX 비디오화]를 한 화면에 전선으로 연결해 원클릭으로 일괄 자동 실행합니다.

4. 메타데이터 기반 워크플로 완전 복원

ComfyUI로 출력된 모든 이미지(PNG/WEBP) 파일 내부에는 사용된 노드의 종류, 좌표, 파라미터, 연결선 정보가 JSON 메타데이터로 영구 보존됩니다. 커뮤니티의 고수들이 만든 이미지를 내 ComfyUI 창에 드래그 앤 드롭하는 것만으로 동일한 제작 환경이 100% 복원됩니다.

[3] 팁: WebUI와 ComfyUI 모델 공유로 디스크 용량 절약하기

기존에 다운로드해 둔 WebUI 체크포인트나 LoRA가 있다면, 수십 기가바이트의 중복 다운로드 없이 ComfyUI 설정 파일에 경로를 등록해 즉시 공유할 수 있습니다.

# 1. 예제 설정 파일 복사
Copy-Item "C:\ComfyUI_windows_portable\ComfyUI\extra_model_paths.yaml.example" "C:\ComfyUI_windows_portable\ComfyUI\extra_model_paths.yaml"

# 2. 메모장으로 열어 WebUI 설치 경로 지정
# extra_model_paths.yaml 내부 수정 예시:
# a111:
#     base_path: D:/stable-diffusion-webui
#     checkpoints: models/Stable-diffusion
#     loras: models/Lora
#     vae: models/VAE

로컬 AI 모듈 목차