임베딩
임베딩이란?
임베딩은 개념, 스타일, 또는 피사체를 컴팩트한 수치 표현으로 담아낸 것으로, AI 모델이 이미지 생성을 안내하는 데 사용하며, 소규모 예시 세트로 학습해 만들어집니다.
한눈에 보기
- 다른 이름
- 텍스트 인버전 임베딩TI 임베딩학습된 토큰개념 임베딩
- 주요 용도
- 생성 프롬프트에서 사용할 특정 시각 스타일이나 피사체 인코딩전체 파인튜닝 없이 가벼운 모델 맞춤화생성 워크플로에 반복 캐릭터나 미적 개념 추가시각 스타일과 피사체를 컴팩트한 파일로 커뮤니티에 공유
- 주로 쓰이는 도구
- Stable diffusion with textual inversion trainingAUTOMATIC1111 embedding training interfaceCommunity embedding libraries
지금 만들어 볼까요?
장면을 연출하고, 캐릭터를 디자인하고, 한 편의 영화까지 완성하세요
단순하고 투명한 요금제, 속도 제한 없음, 무한한 Canvas로 창의력을 극대화하는 올인원 AI 크리에이티브 플랫폼.
다른 개념과의 비교
Compared with related concepts
임베딩 대 LoRA: 임베딩은 생성을 안내하는 데 사용되는 텍스트 컨디셔닝 벡터만을 수정하며, 베이스 모델이 이미 알고 있는 것의 제약 안에서 작동합니다. LoRA는 모델의 처리 레이어에 직접 적용되는 추가적인 가중치 조정을 학습하여, 단지 무엇을 프롬프트로 주느냐가 아니라 모델이 정보를 처리하는 방식 자체를 수정하기 때문에 더 포괄적이고 유연한 맞춤화를 제공합니다. 임베딩은 더 가볍고 빠르게 학습됩니다. LoRA는 특히 베이스 모델 학습에서 잘 표현되지 않은 피사체에 대해 더 강력하고 안정적인 맞춤화를 제공합니다.
프로 팁
Stable Diffusion 워크플로에서 커뮤니티 임베딩을 사용할 때는 항상 기본 가중치 1.0을 쓰지 말고, (embedding_name:0.8)이나 (embedding_name:1.2)처럼 프롬프트 안에서 각 임베딩을 서로 다른 가중치 값으로 테스트해 보세요. 일부 임베딩은 다른 강도로 학습되어 기본값보다 약간 높거나 낮은 가중치에서 더 잘 작동합니다. 0.7에서 시작해 0.1 단위로 올려 보면, 임베딩된 개념을 나머지 프롬프트와 가장 유용하게 어우러지게 하는 가중치를 빠르게 찾아낼 수 있습니다.
유형과 변형
- 피사체 임베딩은 특정 인물, 캐릭터, 또는 객체의 시각적 정체성을 인코딩하여, 학습된 토큰을 프롬프트에 포함시키는 것만으로 그 대상을 불러올 수 있게 합니다.
- 스타일 임베딩은 예술적 스타일, 일러스트 기법, 또는 시각적 특질의 미적 특성을 포착하여, 이후 어떤 생성 콘텐츠에도 적용할 수 있습니다.
- 네거티브 임베딩은 크리에이터가 장려하기보다는 억제하고자 하는 시각적 특질을 나타내도록 학습되며, 네거티브 프롬프트 필드에 사용되어 특정한 원치 않는 특성이 결과물에 나타날 가능성을 줄입니다.
- 더 큰 토큰 예산으로 학습된 멀티 벡터 임베딩은 더 많은 학습 자원을 들이는 대신 더 복잡한 개념을 포착할 수 있습니다.
Morphic에서 첫 장면을 만들어 볼까요?
Morphic 체험하기주요 활용 사례
- 전체 DreamBooth 학습 없이도 프롬프트에서 참조할 수 있는, 반복 등장 캐릭터나 브랜드 요소를 위한 가벼운 임베딩 생성.
- Stable Diffusion 커뮤니티 안에서 예술적 스타일이나 미적 특질을 작은 임베딩 파일로 공유.
- 유연하고 모듈식인 생성 제어를 위해 프롬프트에서 조합할 수 있는 스타일 및 피사체 임베딩 라이브러리 구축.
- 모든 생성 결과에 걸쳐 흔한 생성 아티팩트, 해부학적 오류, 또는 원치 않는 시각 특성을 억제하기 위한 네거티브 임베딩 활용.
- 특정 필름 그레인, 색 처리, 또는 구성 경향 같은 특정 시각 특질을 임베딩으로 인코딩하여 프로젝트 전반에 일관되게 적용.
지금 만들어 볼까요?
장면을 연출하고, 캐릭터를 디자인하고, 한 편의 영화까지 완성하세요
단순하고 투명한 요금제, 속도 제한 없음, 무한한 Canvas로 창의력을 극대화하는 올인원 AI 크리에이티브 플랫폼.
FAQ
임베딩은 소규모 예시 이미지 세트로 학습된, 시각 개념, 스타일, 또는 피사체의 컴팩트한 수치 표현입니다. 학습된 트리거 단어를 생성 프롬프트에 포함시켜 학습된 시각 특성을 참조할 수 있게 해 주며, 임베딩된 개념과 일관된 콘텐츠를 생성하도록 모델을 안내합니다.
임베딩은 생성을 안내하는 텍스트 컨디셔닝 벡터만을 수정하며, 베이스 모델의 기존 역량 안에서 작동합니다. LoRA는 모델의 레이어에 직접 적용되는 추가 가중치 조정을 학습하여 더 포괄적인 맞춤화를 제공합니다. 임베딩은 더 가볍고 빠르게 학습됩니다. LoRA는 더 강력하고 유연한 결과를 제공합니다.
텍스트 인버전은 대부분의 Stable Diffusion 임베딩의 기반이 되는 기법입니다. 소규모 예시 이미지 세트로 새로운 토큰의 임베딩 벡터를 학습하여, 모델의 가중치를 수정하지 않고도 피사체의 시각 특성을 가장 잘 포착하는 위치를 모델의 임베딩 공간 안에서 찾아냅니다.
텍스트 인버전은 신중하게 선별한 3~10장 정도의 적은 이미지만으로도 유용한 결과를 만들어 낼 수 있습니다. 이미지가 많으면 피사체의 다양한 측면을 더 잘 포괄할 수 있지만, 이 기법은 적은 수의 예시만 사용 가능한 퓨샷 상황에 맞게 특별히 설계되었습니다.
네거티브 임베딩은 크리에이터가 장려하기보다는 억제하고자 하는 시각 특질을 나타내도록 학습됩니다. 생성 시 네거티브 프롬프트 필드에 넣으면 임베딩된 특성이 결과물에 나타날 가능성을 줄여, 재사용 가능한 품질 필터로 기능합니다.
Civitai 같은 커뮤니티 플랫폼은 Stable Diffusion 커뮤니티가 공유한 캐릭터, 스타일, 시각 개념 임베딩의 대규모 라이브러리를 호스팅합니다. 파일을 올바른 디렉터리에 넣고 프롬프트에서 트리거 단어를 참조하는 방식으로 다운로드해 개인 생성 환경에서 사용할 수 있습니다.
특정 베이스 모델로 학습된 임베딩은 일반적으로 동일한 베이스의 파인튜닝 변형과는 호환되지만, 구조적으로 다른 모델과는 호환되지 않습니다. Stable Diffusion 1.5로 학습된 임베딩은 재학습 없이는 SDXL이나 구조적으로 다른 모델에서 작동하지 않습니다.
더 넓은 AI 분야에서 임베딩은 이산적 객체의 의미론적 속성을 포착하는 모든 수치 벡터 표현을 말합니다. 이미지 생성 모델의 텍스트 인코더는 프롬프트를 임베딩 벡터로 변환합니다. Stable Diffusion 커뮤니티의 텍스트 인버전 임베딩은 이 일반 원리를 구체적으로 응용한 것으로, 그 기법을 사용해 새로운 시각 개념을 기존 모델 공간 안의 벡터로 표현합니다.
