최근 딥러닝 기반 생성 모델, 특히 GAN, VAE, 확산 모델(DM)은 이미지 및 비디오 합성 등 다양한 분야에서 고품질 콘텐츠 생성에 핵심적인 역할을 하고 있습니다. 이러한 모델의 급속한 발전과 연구량 증가, 응용 분야 확장, 그리고 미해결 기술 과제로 인해 최신 동향을 파악하기가 점점 어려워지고 있습니다. 본 조사는 이러한 필요성을 해결하고자 합니다.
이 연구는 GAN, VAE, DM의 발전 과정을 이해하기 위한 포괄적인 분류 체계를 제시합니다. 다양한 변형 모델과 결합 접근 방식을 포함하여, 생성 결과물의 품질, 다양성, 제어 가능성을 향상시킨 주요 혁신 기술들을 조명하며 생성형 AI의 확장된 잠재력을 반영합니다.
기술적 진보 요약과 더불어, 오용 위험 및 합성 미디어의 광범위한 사회적 영향을 포함한 윤리적 문제들을 검토합니다. 또한, 지속적인 도전 과제를 제시하고 미래 연구 방향을 제안하여 빠르게 진화하는 이 분야의 연구자들에게 구조적이고 미래 지향적인 관점을 제공합니다.
생성형 AI는 과학 이미징 분야에 새로운 가능성을 제시하며 다양하고 복잡한 이미지 데이터를 합성하는 강력한 도구로 부상했습니다. 본 연구는 과학 이미지 합성을 목적으로 Variational Autoencoder (VAE), Generative Adversarial Network (GAN), Diffusion Model 등 주요 생성 모델 아키텍처를 포괄적으로 비교 분석합니다.
각 모델의 기본 원리, 최신 아키텍처 발전, 실제 적용 시 장단점을 검토했습니다. 암석 및 복합 섬유의 microCT 스캔, 식물 뿌리 고해상도 이미지 등 도메인별 데이터셋을 활용하여 SSIM, LPIPS, FID, CLIPScore와 같은 정량적 지표와 전문가 주도 정성적 평가를 통합적으로 수행했습니다.
연구 결과, GAN, 특히 StyleGAN은 높은 지각 품질과 구조적 일관성을 지닌 이미지를 생성하는 것으로 나타났습니다. DALL-E 2와 같은 확산 기반 모델은 사실성과 의미론적 정렬에서 우수했지만, 시각적 충실도와 과학적 정확성 간의 균형을 맞추는 데 어려움을 보였습니다. 특히, 표준 정량적 지표가 과학적 관련성을 포착하는 데 한계가 있음을 발견했으며, 이는 도메인 전문가 검증의 필요성을 강조합니다.
본 연구는 모델 해석 가능성, 계산 비용, 검증 프로토콜과 같은 주요 과제를 논의하고, 생성형 AI가 과학 연구에서 데이터 증강, 시뮬레이션, 가설 생성에 혁신을 가져올 수 있는 미래 방향을 제시합니다.
