AI가 이미지 생성 명령어를 자동 최적화 — 다중 참고 이미지 합성 성능 향상

핵심 요약

• 최신 이미지 생성 모델은 여러 참고 이미지를 입력받아 새로운 이미지로 합성할 수 있지만, 피사체 생략·중복·부자연스러운 합성 같은 문제가 남아있다.
• 최근 연구들은 이미지 생성 모델·추론 모델·하네스(생성 방식을 정의하는 실행 프로그램)를 결합한 에이전트 기반 접근법을 제안했다.
• 다중 참고 이미지 생성에서는 각 참고 이미지의 충실도·전체 이미지의 자연스러움 등 여러 기준을 동시에 만족해야 하므로, 참고 이미지 처리부터 출력 진단까지 하네스의 많은 부분이 개선될 여지가 있다.
• 어떤 변화가 얼마나 성능을 높일지 예측하기 어렵고, 손으로 작성한 하네스의 성능도 크게 다르다.
• 새로운 방법 AutoRef는 생성 모델·추론 모델을 고정한 채 코딩 에이전트가 하네스 코드를 반복적으로 개선하는 방식으로 자동 최적화한다.
• AutoRef는 피드백을 받는 작업과 후보를 선택하는 작업을 분리하고, 선택 작업에서 상위 하네스들을 빔 탐색으로 계속 개선한다.
• 이 방법으로 발견한 AutoRef-Harness는 FLUX.2 4B의 MultiBanana 벤치마크 4개 참고 이미지 과제에서 5.72에서 7.37로 성능을 높였으며, Nano Banana Pro·GPT-Image-1.5 같은 상용 모델과 동등하거나 능가한다.
• 최적화에 사용한 생성 모델·참고 이미지 수·벤치마크·평가기·추론 모델을 바꾸는 상황에서도 재최적화 없이 같은 하네스가 성능 개선을 유지한다.