Textual inversion은 모델 가중치를 수정하지 않고 모델의 기존 텍스트 임베딩 공간 안에서 그것을 나타내는 새 토큰을 트레이닝해, AI 이미지 생성 모델에 새 개념(특정 인물, 객체, 스타일, 시각적 특성)을 가르치는 기법입니다. 모델 전체를 파인튜닝하는 대신 textual inversion은 프롬프트에 포함하면 트레이닝된 특정 시각 개념을 안정적으로 불러오는 새로 학습된 단어 하나를 추가합니다.

기법은 트레이닝 중 제공된 소량의 레퍼런스 이미지와 일치하는 출력이 나오도록 새 텍스트 임베딩 벡터를 최적화하는 방식으로 작동합니다. 트레이닝된 토큰은 프롬프트에서 일반 단어처럼 동작하며, 다른 설명 언어와 결합하거나 스타일 수식어와 쓰거나 다른 구도 맥락에 넣을 수 있고, 모델은 학습된 시각 개념을 그에 맞게 적용합니다. Textual inversion은 전체 모델 파인튜닝보다 훨씬 적은 트레이닝 이미지와 연산이 필요하며, 공유하고 호환 모델에서 쓸 수 있는 작은 휴대용 파일을 만듭니다. 상대적으로 단순하고 시각적으로 뚜렷한 개념 캡처에 가장 적합하며, 복잡하거나 변동이 큰 피사체에는 덜 적합합니다.

Textual inversion은 LoRA, DreamBooth와 함께 AI 모델에 특정 시각 개념을 가르쳐야 하는 크리에이터가 쓸 수 있는 여러 개인화 기법 중 하나입니다. 이 접근들의 트레이드오프(textual inversion은 가벼운·휴대용 개념 캡처, LoRA는 더 강한·유연한 피사체 적응, DreamBooth는 깊은 피사체 통합)를 이해하면 특정 일관성·품질 요구에 맞는 기법을 선택하는 데 도움이 됩니다.