‘느좋’ studio : MZ 세대 ‘느좋’ 패션 화보 트렌드를 반영한 AI 생성형 화보 시스템 개발
'느좋'(Good Vibe) Studio: Development of an AI-Generated Fashion Editorial System Reflecting the ‘느좋’(Good Vibe) Fashion Editorial Trends of the MZ Generation.
- 주제(키워드) 패션 화보 생성 , ‘느좋’ 감성 , 감성기반 데이터셋 , 멀티 로라 기반 스타일 제어
- 발행기관 서강대학교 일반대학원
- 지도교수 최용순
- 발행년도 2026
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 일반대학원 아트&테크놀로지
- 실제URI http://www.dcollection.net/handler/sogang/000000082572
- UCI I804:11029-000000082572
- 본문언어 한국어
- 저작권 논문은 저작권에 의해 보호받습니다.
초록(요약문)
This study proposes a methodology for structuring and quantitatively modeling the visual expressions of “Neujoh”(good vibe) an affective neologism that has recently spread through online fashion communities, by reflecting them in an AI-based fashion editorial generation system. To this end, the study collaborated with industry professionals—including photographers and directors with experience in fashion shoots and editorial production—to systematically structure and quantify affective elements. Although “Neujoh” is an abstract concept lacking a clear definition and largely dependent on subjective and sensory interpretation, this research establishes interpretable and quantitative criteria by combining expert labeling with embedding-based clustering to structure its affective dimensions. Based on this framework, visual elements in fashion editorials were separated and trained as element-wise LoRA modules, and a Multi-LoRA–based generation pipeline was designed to enable fine-grained style control through their recombination. Furthermore, the study developed Neujoh Studio, a generative fashion editorial creation system designed to be easily accessible to non-expert users. The system incorporates a category-based LoRA selection structure, an intuitive prompt generation method, real-time adjustment sliders, and a stage-based interface. Usability improvements—such as enhanced visual feedback, adjustment of terminology difficulty, and consistency in screen flow—were applied through heuristic evaluation. Through this process, the study demonstrates the feasibility of applying unstructured elements such as sensibility and trends to AI learning and suggests potential industrial applications, including personalized fashion content generation. By presenting a systematic approach to incorporating affective styles such as “Neujoh” into AI-generated fashion editorials, this research is significant in that it introduces a new integrated framework combining affective data construction, LoRA-based style control, and user experience design.
more초록(요약문)
본 연구는 최근 온라인 패션 커뮤니티에서 확산된 감성적 신조어인 ‘느좋’의 시각 표현을 인공지능 기반 패션 화보 생성 시스템에 반영하기 위해, 패션 촬 영 및 화보 제작 경험을 갖춘 포토그래퍼·디렉터 등 실무 전문가와 협업하여 감성 요소를 구조화하고 정량화하는 방법론을 제안한다. ‘느좋’은 명확한 정의 가 부재하고 감각적·주관적 해석에 의존하는 추상적 개념이지만, 본 연구에서 는 전문가 라벨링과 임베딩 군집화를 결합하여 ‘느좋’의 감성 축을 구조화하고 정량적으로 해석할 수 있는 기준을 마련하였다. 이를 기반으로 패션 화보에서 의 시각 요소를 요소별 LoRA로 분리 학습하고, 이들을 조합해 세밀한 스타일 조정이 가능한 Multi-LoRA 기반 생성 파이프라인을 설계하였다. 또한, 비전문가도 쉽게 사용할 수 있는 생성형 패션 화보 제작 시스템 느좋 Studio 를 개발하였다. 본 시스템은 카테고리 기반 LoRA 선택 구조, 직관적 프롬프트 생성 방식, 실시간 보정 슬라이더, 단계별 인터페이스를 포함하며, 휴리스틱 평가를 통해 시각 피드백 강화, 용어 난이도 조정, 화면 흐름 일관성 확보 등 사용성 개선을 반영하였다. 이를 통해 감성과 트렌드와 같은 비정형 적 요소를 AI 학습에 적용할 수 있는 가능성을 확인하였고, 개인화된 패션 콘 텐츠 생성 등 산업적 활용 가능성 역시 제시하였다. 본 연구는 ‘느좋’과 같은 감성적 스타일을 AI 패션 화보 생성에 체계적으로 반영할 수 있는 새로운 접근을 제시함으로써, 감성 데이터 구축·LoRA 기반 스타일 제어·사용자 경험 설계가 결합된 새로운 접근 방식을 제시한 점에서 의의가 있다. 주제어 패션 화보 생성, ‘느좋’ 감성, 감성기반 데이터셋, 멀티 로라 기반 스타일 제어
more목차
제 1 장 서론 7
1.1 연구 배경 7
1.2 연구 목적 8
1.3 연구 방법 9
제 2장 관련연구 10
2.1 트렌드 연구 및 신조어 '느좋' 10
2.1.1 '느좋'의 개념 10
2.1.2 '느좋'의 특징 11
2.2 패션 화보의 구성 체계 14
2.2.1 색감 14
2.2.2 구도 15
2.2.3 효과 16
2.2.4 레퍼런스 기반 설계 17
2.3 AI 이미지 생성의 구조 18
2.3.1 AI 이미지 스타일 학습 18
2.3.2 LoRA 19
2.3.3 LoRA의 데이터셋 19
2.3.4 LoRA의 사용성 20
제 3 장 프로토 타입 22
3.1 프로토 타입 기획 22
3.2 LoRA 학습 데이터셋 22
3.2.1 '느좋' 데이터 수집 24
3.2.2 카테고리 및 군집화 25
3.2.3 '느좋' 기준축 생성 28
3.2.4 LoRA 학습 및 튜닝 방식 31
3.2.5 시스템 평가 32
3.3 시스템 디자인 34
3.3.1 컨셉 디자인 34
3.3.2 사용자 시나리오 34
3.3.3 시스템 메뉴 구조 36
3.4 시스템 기술 구성 37
3.4.1 개발환경 37
3.4.2 이미지 에디팅 모델 38
3.5 1차 느좋 Studio 시스템 39
3.5.1 주요 기능 구현 39
3.5.1.1 리소스 입력 및 저장 플로우 39
3.5.1.2 이미지 생성 및 카테고리 반영 플로우 39
3.5.1.3 반복 및 개선 플로우 40
3.5.2 인터페이스 41
3.5.2.1 LoRA 선택 41
3.5.2.2 업로드 및 프롬프트 작성 42
3.5.2.3 생성 이미지 편집 43
3.6 휴리스틱 평가 44
3.6.1 휴리스틱 평가 계획 44
3.6.2 휴리스틱 평가 진행 45
3.6.3 휴리스틱 평가 결과 46
3.7 최종 느좋 Studio 디자인 48
3.7.1 LoRA 목록 표시 48
3.7.2 시각 피드백 강화 49
3.7.3 후보정 슬라이더의 유용성 49
제 4 장 느좋 Studio 실험 51
4.1 실험 설계 51
4.1.1 실험 목적 51
4.1.2 실험 방법 51
4.1.3 실험 참여자 54
4.2 실험 진행 54
4.3 실험 결과 분석 56
4.3.1 정성 분석 56
제 5 장 논의 및 결론 65
5.1 논의 65
5.2 결론 66
참고 문헌 68
