AI 렌더링은 대부분의 건축 사무소에서 실험 단계를 넘어 일상 워크플로로 자리잡았습니다. 하지만 용어는 따라오지 못했습니다. 건축가들은 "diffusion model"이나 "ControlNet" 같은 용어를 명확한 공통 정의 없이 사용하고 있으며, 기술이 실제로 하는 일과 그것이 설명되는 방식 사이의 격차가 커지고 있습니다.
여기 알아둘 만한 스무 가지 용어가 있습니다. 각 항목에는 평이한 정의와 워크플로에 실제로 왜 중요한지에 대한 한 문장이 포함되어 있습니다.
기본 개념
1. 확산 모델 대부분의 렌더링 도구 뒤에 있는 AI 구조입니다. diffusion model은 무작위 노이즈 이미지에서 시작해 텍스트 프롬프트와 컨디셔닝 입력의 지시에 따라 반복적으로 노이즈를 제거하여 일관된 이미지를 만듭니다. 각 제거 단계는 학습된 작은 변환입니다. 왜 중요한가: 출력이 반복적 노이즈 제거 과정을 통해 생성된다는 이해는 동일한 입력이라도 매번 조금씩 다른 결과가 나오는 이유—시작 노이즈가 무작위이고 제거 경로가 확률적이라는 점—를 설명해 줍니다.
2. 텍스트 프롬프트 AI에 주는 지시문입니다: "햇빛이 비치는 스칸디나비아식 주방, 화이트 오크 캐비닛과 콘크리트 바닥." 프롬프트는 컨디셔닝 이미지와 함께 출력을 형성합니다. 왜 중요한가: 건축 특화 도구는 컨디셔닝을 내부적으로 처리하여 프롬프트 기술에 대한 의존도를 낮춥니다 — 즉, 문단을 쓰기보다 재료와 조명 프리셋을 지정하는 방식으로 작업하게 됩니다.
3. 컨디셔닝 이미지 입력물: 3D 모델 뷰포트, SketchUp 스크린샷 또는 Revit 내보내기. 컨디셔닝 이미지(conditioning image)는 출력물을 기하학적 치수에 고정합니다. 이것이 건축 AI 렌더링과 텍스트-투-이미지 도구를 구분하는 핵심입니다 — AI가 공간을 상상하는 것이 아니라 사용자의 공간을 렌더링합니다. 왜 중요한가: 컨디셔닝 이미지의 품질(정리된 모델, 적절한 카메라 앵글, 일관된 재질)이 렌더 품질에 직접적인 영향을 미칩니다.
4. 이미지 대 이미지 (img2img) 기존 이미지를 변형하여 새 이미지를 생성하는 방식으로, 완전한 노이즈에서 생성하는 것과는 다릅니다. 대부분의 건축 AI 렌더링은 img2img 방식입니다 — 3D 뷰포트를 제공하면 포토리얼한 결과를 받습니다. 왜 중요한가: 이것이 모델 스크린샷을 렌더로 변환하는 메커니즘이며, 텍스트-투-이미지는 설명에서 임의의 공간을 생성하는 방식입니다.
5. 디노이징 강도 모델이 입력 이미지에서 얼마나 벗어나는지를 제어합니다. 높은 denoising strength: 모델의 창의적 자유도가 커져 출력이 입력과 크게 달라질 수 있습니다. 낮은 denoising strength: 출력이 입력에 매우 가깝게 유지되지만 포토리얼리즘을 달성하지 못할 수 있습니다. 왜 중요한가: 적절한 균형을 찾는 것이 AI 건축 렌더링의 핵심 긴장점입니다 — 현실감 vs 충실도.
기하학과 충실도
6. ControlNet 확산 모델의 출력을 구조적 입력에 조건화하는 신경망 확장입니다 — 모델에서 추출한 엣지 라인, 깊이 맵, 표면 법선 등. ControlNet은 AI 렌더링을 생성적 작업이 아닌 건축적 렌더링으로 만드는 요소입니다: 모델이 작업할 설계의 공간적 지도를 제공합니다. 왜 중요한가: ControlNet의 조건화 강도는 기하학 보존을 제어하는 주요 수단입니다. 가중치가 높을수록 설계에 더 충실합니다.
7. 기하학 충실도 렌더링 도구가 입력된 벽체, 개구부, 비례 및 구조 요소를 얼마나 정확히 유지하는지의 정도입니다. 생성형 도구는 변형을 줄일 수 있지만 완벽한 보존을 보장하지 못하므로 원본 모델과 도면이 최종 기준입니다. 왜 중요한가: 기하학적 변형은 단지 미적인 문제가 아니라 전문적인 문제입니다.
8. 기하학 변형 / 환각 AI가 입력된 기하학을 변경할 때 발생합니다: 벽을 이동시키거나 모델링하지 않은 가구를 추가하거나 창 비율을 바꾸거나 천장 높이를 학습 데이터 기대치에 맞게 조정하는 경우 등. 이는 ControlNet의 컨디셔닝 강도가 낮거나 시각적 품질을 건축적 정확도보다 우선한 모델 학습으로 인해 발생합니다. 왜 중요한가: 설계와 일치하지 않는 렌더는 클라이언트를 오도하고 실제 프로젝트에 존재하지 않는 기대를 만들어냅니다.
9. 깊이 맵 카메라로부터의 거리를 픽셀 밝기로 표현한 3D 장면의 그레이스케일 표현입니다. 밝은 픽셀은 가까운 물체, 어두운 픽셀은 먼 물체를 나타냅니다. 모델의 삼차원 공간 구조를 보존하기 위한 ControlNet 입력으로 사용됩니다. 왜 중요한가: 깊이 맵 컨디셔닝은 AI가 어떤 요소가 앞에 있고 어떤 요소가 뒤에 있는지 이해하도록 도와 표면이 평면화되거나 공간 관계가 손실되는 것을 방지합니다.
10. 에지(경계) 검출 (Canny/HED) 뷰포트에서 벽 경계, 도어 프레임, 구조 기둥, 가구 윤곽 등 에지 라인을 추출하고 이를 ControlNet 컨디셔닝으로 사용하는 알고리즘입니다. Canny와 HED는 민감도 설정이 다른 두 가지 특정 알고리즘입니다. 왜 중요한가: 에지 기반 컨디셔닝은 건축의 선형 기하를 매우 밀접하게 보존합니다. 모델의 벽선이 깔끔하다면 에지 컨디셔닝은 출력에서 매우 충실한 기하를 생성합니다.
조명과 재료
11. 조명 프리셋 명명된 조명 상태 — 골든 아워, 흐린 날, 블루 아워, 한낮 등 — 하나의 선택으로 태양 각도, 색온도, 하늘 상태 및 그림자 품질을 설정합니다. 중요성: HDRI 환경 이미지, 태양 위치, 노출 설정을 수동으로 구성할 필요를 대체합니다. 조명 공학 지식 없이도 일관되고 재현 가능한 결과를 제공합니다.
12. 골든 아워 일출 후 약 1시간과 일몰 전 약 1시간의 기간으로 태양이 낮고 빛이 따뜻한 앰버/오렌지색을 띱니다. 사진과 렌더링에서 골든 아워 빛은 긴 부드러운 그림자, 따뜻한 색온도(~2500–3500K), 영화 같은 품질을 만듭니다. 중요성: 주거 실내와 외관 건축 촬영에 가장 보편적으로 돋보이는 조명입니다. 클라이언트는 따뜻함에 더 잘 반응합니다.
13. 블루 아워 일몰 후(또는 일출 전) 하늘이 진한 파랑을 띠고 인공 실내 조명이 대비되어 따뜻하게 보이는 기간입니다. 블루 아워는 차가운 외부와 따뜻한 내부 사이의 극적인 색 대비를 만듭니다. 중요성: 럭셔리 주거, 호스피탈리티, 고급 상업용 렌더에 주로 사용하는 조명 상태입니다. 저녁의 분위기와 사람이 거주하는 공간 느낌은 다른 조건으로 재현하기 어렵습니다.
14. 색온도 Kelvin(K) 단위로 측정됩니다. 낮은 Kelvin(~2700K) = 백열등이나 석양처럼 따뜻한 오렌지/호박빛 조명. 높은 Kelvin(~6500K) = 흐린 낮빛처럼 차갑고 푸른색/백색 조명. 중요한 이유: 색온도는 렌더링의 감정적 분위기에 가장 큰 영향을 주는 단일 변수입니다. 같은 공간도 2700K에서는 아늑하게 느껴지고 6500K에서는 임상적으로 느껴집니다.
15. HDRI (하이 다이내믹 레인지 이미지) 실제 환경을 360° 파노라마로 촬영한 사진으로, 전통적 렌더링에서 조명 소스로 사용됩니다. HDRI는 장면에 사실적인 환경광, 하늘색 및 반사를 제공합니다. 중요한 이유: HDRI와 동등한 컨디셔닝을 제공하는 AI 렌더링 도구는 별도의 HDRI 파일을 찾아 설정하지 않아도 현실 세계 환경으로부터 물리적으로 그럴듯한 환경광을 생성할 수 있습니다.
워크플로우 용어
16. 인페인팅 기존 렌더링의 특정 영역만 편집하고 나머지는 변경하지 않는 작업입니다. 의자를 교체하거나 잘못된 창장식을 바꾸고 싶은 영역에 마스크를 씌우면 모델이 주변과 일관되게 그 영역만 다시 생성합니다. 중요한 이유: 전체 이미지를 처음부터 다시 생성하지 않고도 문제 있는 부분만 수정할 수 있어 제작 워크플로우에서 상당한 시간 절약이 됩니다.
17. 업스케일링 AI를 사용해 이미지의 기본 해상도보다 더 높은 해상도로 확대하면서도 겉보기상 세부를 잃지 않는 기술입니다. AI 업스케일러(ESRGAN, Real-ESRGAN)는 단순히 픽셀을 보간하는 대신 학습된 디테일을 추가합니다. 중요한 이유: 빠른 반복을 위해 적당한 해상도로 렌더링한 뒤 승인된 출력만 업스케일하여 모든 반복을 4K로 실행할 필요를 없애줍니다.
18. 시드 (Seed) 확산 생성의 노이즈 초기화를 위해 사용하는 난수 값입니다. 동일한 시드와 동일한 프롬프트는 대체로 유사한 결과를 만들어내므로, 마음에 든 결과를 재현하거나 통제된 변형을 만들 때 사용합니다. 시드가 다르면 다른 변형이 생성됩니다(다른 조건이 동일할 때). 왜 중요한가요: 시드는 모든 다른 요소를 일정하게 유지한 채 "이 방의 조명만 세 가지로 보여줘"처럼 일관된 변형 세트를 만드는 방법입니다.
19. 잠재 공간 (Latent space) 확산 모델이 작동하는 추상적인 수학적 공간입니다. 프롬프트와 컨디셔닝 이미지는 잠재 표현으로 인코딩되고, 모델은 이 공간에서 디노이즈 작업을 수행한 뒤 최종 출력을 픽셀 공간으로 디코딩합니다. 왜 중요한가요: 잠재 공간을 이해하면 겉으로 비슷해 보이는 프롬프트가 매우 다른 결과를 낼 수 있는 이유를 알 수 있습니다 — 픽셀 공간에서의 작은 차이가 잠재 공간에서는 큰 거리일 수 있고 그 반대도 마찬가지입니다.
20. 렌더팜 (Render farm) 여러 서버가 병렬로 렌더를 처리하는 네트워크로, 전통적으로 대형 스튜디오가 렌더 시간을 수시간에서 수분으로 줄이기 위해 사용했습니다. 클라우드 AI 렌더링 도구는 모든 작업에 대해 모든 사용자에게 렌더팜을 제공하는 것과 같습니다. 왜 중요한가요: 클라우드 렌더링은 사용자의 작업 중에도 약 30초 내외의 일관된 출력, 하드웨어 유지보수 불필요, 자본 지출이 아닌 운영비 구조의 비용 체계를 의미합니다.
확산 모델을 간단히 설명하면 무엇인가요? 확산 모델은 무작위 노이즈에서 시작해 텍스트 프롬프트와 3D 모델로부터 받은 구조적 입력에 따라 학습된 작은 변환을 반복 적용하여 일관된 이미지를 만들어냅니다. 빈 캔버스에 그림을 그리는 대신 노이즈를 깎아 조각하는 것처럼 생각하면 됩니다.
ControlNet은 AI 렌더링에서 무엇을 하나요? ControlNet은 에지 라인, 깊이 맵, 표면 법선과 같은 3D 모델의 구조적 표현을 바탕으로 디퓨전 모델의 출력을 조건화합니다. 이는 AI의 결과물이 임의의 공간을 생성하는 대신 기하학적 형상에 맞춰 유지되도록 하는 메커니즘입니다. ControlNet 가중치가 높을수록 기하학적 충실도가 높아집니다.
기하학적 충실도(geometry fidelity)란 무엇인가요? 기하학적 충실도는 벽 위치, 개구부 비율, 공간적 관계가 입력 모델을 얼마나 정확히 따르는지를 설명합니다. 이는 Maquete와 같은 건축 특화 도구에 있어 주요 엔지니어링 우선순위이지만, 생성된 결과는 여전히 원본 모델과 비교 검증이 필요합니다.
조명 프리셋과 프롬프트의 차이는 무엇인가요? 조명 프리셋은 골든아워, 흐린 날, 블루아워 등 특정 조명 조건을 신뢰성 있게 재현하도록 미리 설계된 조건 신호입니다. 프롬프트로 제어하는 조명 지시(예: "서쪽에서 들어오는 따뜻한 저녁 골든 라이트")는 문장 구성에 따라 결과가 달라지며 장면마다 일관성이 떨어질 수 있습니다. 프리셋은 반복 가능성이 높고, 프롬프트는 유연성이 더 큽니다.
추가 읽을거리: AI 건축 렌더링이란 무엇인가요? — 디퓨전 모델, ControlNet, 컨디셔닝 가중치 등 기본 개념을 한곳에 정리했습니다.