문제

예쁜 이미지를 생성하는 건 쉽습니다. 어려운 것은 디퓨전 모델에서 같은 캐릭터 — 같은 얼굴, 같은 의상, 같은 장식 언어 — 를 완전히 새로운 장면에 꺼내는 일이고, 실제 프로덕션이 필요로 하는 것도 바로 그것입니다.

근본 원인은 반복 실험으로 직접 지도를 그린 트레이드오프입니다: text-to-image는 포즈와 연출이 자유롭지만 굴릴 때마다 의상 디자인이 표류하고, 캐릭터 시트를 앵커로 한 image-to-image는 디자인을 거의 픽셀 단위로 보존하지만 포즈가 잠깁니다. 프로덕션 파이프라인은 이 두 극 사이를 운 좋은 시드에 기대지 않고 의도적으로 항해해야 합니다.

파이프라인

1. 캐릭터 시트 먼저. 전신 컨셉으로 디자인을 확정합니다: 실루엣, 재질, 팔레트, 얼굴. (자체 학습 스타일 LoRA로 직접 디렉팅한 생성 + 페인트오버.)
2. 아이덴티티 보존 스테이징. 스플래시는 시트로부터 만듭니다 — 시트를 VAE 인코딩해 라텐트 앵커로 넣고, 구도와 라이팅은 프롬프트로 다시 씁니다. 결정적인 다이얼은 디노이즈입니다: 0.5~0.65 부근에서 디테일한 캐릭터는 살아남고 빈 배경만 새 장면으로 재렌더됩니다. 그보다 낮으면 아무것도 안 변하고, 높으면 의상이 녹기 시작합니다.
3. 요소 이식. 새 장면 요소(소품, 이펙트, 군중)는 러프 프록시로 먼저 그려 넣고 그 자리에서 재렌더합니다 — 모델은 프록시를 구도 가이드로 삼아 학습된 룩으로 다시 그립니다.
4. 얼굴 & 마감. 저디노이즈(0.2~0.35 — 정체성은 유지한 채 얼굴만 정련) 페이스 디테일 패스로 표정을 제어하고, 최종 페인트오버와 타일 2× 업스케일로 납품합니다.

실제 그래프

실제로 돌아가는 그대로의 image-to-image 스테이징 그래프입니다 — 오픈 웨이트 베이스 위에 자체 학습 스타일 LoRA 스택, 캐릭터 시트를 로드해 VAE 인코딩한 라텐트 앵커, 포지티브 전용 프롬프트(CFG 1에서는 네거티브를 0으로), 그리고 샘플러의 아이덴티티 보존 디노이즈:

그래프를 왼쪽에서 오른쪽으로 읽으면: 모델+LoRA 스택, 프롬프트 블록, 라텐트로 들어오는 캐릭터 시트 — 모두 하나의 샘플러에서 만나고, 그 디노이즈 값이 시트가 얼마나 살아남을지를 결정합니다. 이 사이트의 모든 스플래시 포스트가 이 그래프의 변형을 거쳤습니다.

실전 예시

연못의 황후를 보세요 — 스탠딩 시트와 연못 스플래시는 의상 픽셀 단위까지 같은 캐릭터입니다. 같은 파이프라인이 황금 황제 키 비주얼과 다크 리전 액션 배리에이션을 만들었습니다.

검증이 가르쳐 준 것

• 프롬프트 구조가 길이보다 중요합니다. CFG 1에서는 모든 것이 포지티브 컨디셔닝입니다 — 금지할 요소는 부정하는 게 아니라 어휘에서 제거해야 합니다.
• 배경은 화풍 계약의 일부입니다. 스타일 LoRA들은 다크 시네마틱 배경으로 학습되었습니다 — 플랫 스튜디오 배경에 스테이징하면 학습된 룩이 억눌립니다.
• 정체성 먼저, 구도는 그다음. 디자인이 잠기기 전에 구도 변형을 굴리면 표류가 곱해집니다. 시트를 먼저 잠그면 스플래시 제작이 복권이 아니라 통제된, 반복 가능한 공정이 됩니다.

한 장을 넣는다 — 그게 워크플로우의 전부다

그래프에 주는 것은 정확히 한 장, 무기의 사이드뷰뿐입니다. 입력은 그걸로 끝입니다. 큐잉 한 번이 지나면 사이드 프로필, 3/4 전·후면, 반대측면, 조준기 클로즈업, 조준(ADS) 뷰 — 그리고 조립된 제품 시트까지 나와 있습니다. 어느 카메라에서도 같은 총, 같은 재질, 같은 마킹이고, 뷰마다 프롬프트를 쓸 일도 각도 사이 뒷정리도 없습니다.

다이얼 하나

회전은 정체성 유지 전용 편집 노드 위에서 돕니다: 카메라가 움직이는 동안 무기의 디자인을 붙잡아 두는 노드로, 애초에 진짜 멀티뷰 회전이 가능한 것이 이 덕분입니다. 그 위에 레퍼런스 강도 다이얼 하나가 작업을 선택합니다:

부품별 컬러블로킹이 스킨 세트 전체를 모든 회전에서 일관되게 유지합니다.

뷰별 카메라 스크립트

모든 뷰가 자기만의 스크립트를 갖습니다: 카메라 위치, 원근, 그리고 그 카메라가 보는 부품만 담은 목록. 조준 뷰는 개머리판과 좌우 대칭 프레임을 서술하고, 제품 뷰는 전체 실루엣을 서술합니다. 각 뷰는 정확히 보여야 할 것만 렌더링합니다 — 카메라 사이에 새는 것이 없습니다.

그래프

팬아웃 그래프 하나: 아무 무기 이미지나 넣으면 한 번 인코딩되어 모든 뷰로 분기되고, 마지막에 시트로 스티칭됩니다. 각 뷰는 기하학적으로 가장 가까운 소스 이미지에서 체이닝되어, 아이덴티티가 말만이 아니라 픽셀로 이어집니다.

결과

스킨 9종 × 최대 7뷰를 10페이지 덱으로 조립 — ART 섹션의 건메이커 테스트로 게시. 전 과정이 로컬에서 돌았습니다: 화풍 LoRA 없음, 유료 노드·API 콜 단 하나도 없음.

한 장을 넣는다 — 그게 워크플로우의 전부다

파이프라인에 주는 것은 정확히 한 장, 정면 캐릭터 일러스트뿐입니다. 입력은 그걸로 끝입니다. 큐잉 한 번이 지나면 왼쪽 프로필, 뒷모습, 오른쪽 프로필, 필요하면 추가 회전 두 번까지, 그리고 이어붙인 컨택트 시트가 나와 있습니다 — 어느 카메라에서도 같은 의상, 같은 비율, 같은 팔레트로. 뷰마다 프롬프트를 쓸 일도, 손으로 돌릴 일도, 각도 사이 뒷정리도 없습니다. 아래 덱은 좌상단 노드에 올린 이미지 한 장에서 나왔습니다.

원큐 그래프

전부가 팬아웃 그래프 하나로 돕니다 — 건메이커와 같은 정체성 유지 편집 엔진을 하드서피스에서 인체로 이식한 경로입니다. 모델은 한 번만 로드되어 모든 브랜치에 공급되고, 각 뷰는 렌더 → VRAM 정리 → 저장을 마친 뒤 마지막에 스트립이 스스로 조립됩니다.

데모가 아니라 프로덕션급이 되게 하는 디테일 두 가지:

• 체인 회전. 각 카메라는 기하적으로 가장 가까운 완성 뷰에서 돌기 시작합니다 — 뒷모습은 정면이 아니라 방금 렌더된 프로필에서 출발하고, 한 스텝의 회전량은 4분의 1바퀴를 넘지 않습니다. 스텝이 작을수록 에러가 적습니다.
• 여분 회전 포트. 고집 센 각도에는 고정 3뷰가 모자랄 때가 있습니다. 그래서 추가 회전 스테이지 둘이 ON/OFF 스위치 뒤에 상비돼 있습니다. 끄면 비용이 0 — 그래프가 통째로 건너뜁니다. 켜면 마지막 완성 뷰에서 회전을 이어받아, 원본 한 장에서 최대 다섯 번까지 돕니다.

부품표

뷰는 프리핸드로 프롬프팅하지 않습니다. 디자인의 모든 구성요소 — 재킷, 하네스, 의족 세그먼트 — 가 색 + 위치 + 치수로 표 하나에 살고, 몸의 어느 쪽에 있는지, 어느 면을 향하는지, 무엇을 덮는지가 태그됩니다. 각 뷰의 문장은 그 표에서 규칙으로 조립되어 캔버스 위의 편집 가능한 텍스트 노드로 배선됩니다 — 문구 하나 고치자고 그래프를 다시 짤 일이 없습니다.

의도적으로 비대칭인 디자인이 정직하게 유지되는 건 이 구조 덕분입니다: 좌·우 프로필은 서로 다른 부품 리스트에서 생성되고, 다른 부품을 덮는 겉옷은 자기가 덮는 뷰에서 그 부품들을 자동으로 침묵시키며, 작은 정면 판은 원근에 눌려 읽히지도 않을 각도에서 자동으로 빠집니다.

뷰 기하는 계약이다

카메라 정의는 조용히 자기모순에 빠질 수 있습니다 — 그리고 그럴 때 증상은 잘못된 카메라가 아니라 사라진 부품처럼 보입니다. 그래서 이 파이프라인은 뷰 기하를 검사되는 계약으로 다룹니다: 왼쪽 프로필이면 인물은 화면 왼쪽을 보고, 후면 뷰면 좌우가 화면에서 뒤집힙니다. 자동 대칭 지표를 신뢰하는 대신, 실행이 끝날 때마다 정확히 이 항목들을 담은 뷰별 QA 체크리스트가 출력됩니다 — 판단은 아티스트의 몫으로 남습니다.

조립은 이어붙이기가 아니다

같은 파이프라인에서 나온 뷰들도 서로 다릅니다: 배경 톤이 흐르고, 인물 키가 다르고, 바닥 그림자가 발에 붙어 있습니다. 최종 조립은 각 인물을 학습된 매팅 모델 — 로컬 브리지로 자동 구동되는 포토샵 배경 제거 — 로 추출하고, 공통 기준선 위에서 인물 키를 통일하고, 어느 두 칸이든 사실상 같은 그림이면 조립을 거부합니다. 원본 뷰보다 오래된 컷아웃은 자동으로 무효화되어, 다시 렌더한 뷰가 낡은 실루엣으로 나가는 일이 없습니다.

관문이 지키는 인계

완성된 배치는 전체 프롬프트와 함께 스튜디오 아카이브에 스스로 등록됩니다 — 수동 장부 정리가 없습니다. 인계는 두 번 관문을 지납니다: 배치 안에서 파일명은 유일해야 하고, 아카이브 행 수는 디스크의 파일 수와 대조됩니다. 조용한 덮어쓰기는 통과하지 못합니다.

결과

ART 섹션의 게시작 두 점이 이 파이프라인에서 나왔습니다: 슈터 바니 자수정 시트 — 의상 변형 2종 × 4뷰를 한 덱에, 건메이커에서 나온 무기 시트까지 — 그리고 파이프라인의 첫 완주작인 개선의 검무희 턴어라운드. 전부 로컬, 유료 콜 0.

개요

플랫 캐주얼 게임 아트 룩을 재현하는 스타일 LoRA. 데이터셋 큐레이션, 캡션 엔지니어링, 학습, 에폭 스윕 검증, 파이프라인 통합까지 처음부터 끝까지 직접 진행했습니다. 이 카드는 그 전체 과정의 기록이며, 이 사이트의 모든 스타일 모델이 같은 레시피로 만들어집니다.

왜 LoRA인가 — 짧은 원리

베이스 디퓨전 모델은 천 개의 화풍을 어렴풋이 알지만 어느 것도 정확히 알지 못합니다. LoRA(Low-Rank Adaptation)는 베이스 모델을 통째로 동결하고, 어텐션 가중치 옆에 주입되는 작은 저랭크 행렬만 학습합니다 — 여기서는 rank 32, 수 기가바이트 베이스 대비 수십 메가바이트입니다. 베이스가 동결되어 있으니 해부학·구도·프롬프트 이해력은 그대로 유지되고, LoRA에게는 “데이터셋이 일관되게 보여주는데 베이스가 모르는 것”만 배울 용량이 있습니다. 데이터셋의 유일한 일관 신호가 화풍이 되도록 큐레이션하면, 배우는 것도 화풍이 됩니다.

데이터셋 — 깔때기

자작 데이터셋 툴(데이터큐레이터 카드 참조)로 구축: 후보 1,167장 검수 → ML 보조 선별과 수동 검수로 521장 킵 → 최종 58장 학습 큐레이션. 마지막 컷이 가장 엄격합니다: 유사 중복, 화풍 이탈, 멀티패널 시트, 스크린샷은 전부 탈락 — 작은 데이터셋에서는 나쁜 이미지 한 장이 신호의 2%이기 때문입니다.

캡션 설계도 데이터와 같은 취급을 받았습니다 — 설계하고, 시험하고, 검증했습니다. 구체적인 방식은 레시피의 일부로 비공개입니다.

학습

실제 런 로그에서 뽑은 loss 커브입니다 — 초반 하강 후 평평한-노이즈 형태는 소규모 데이터셋 스타일 학습에서 정상이며, 봐야 할 신호는 붕괴(암기)나 상승(발산) 없이 평평하게 유지되는가입니다:

검증 — 대부분이 건너뛰는 부분

loss 수치는 어느 체크포인트를 출고할지 알려주지 않습니다. 모든 체크포인트를 분포 외(OOD) 프로브로 스윕합니다: 고정 시드 + 학습 데이터에 없는 소재의 고정 프롬프트. 분포 내 프로브는 모델에게 아첨합니다 — 암기가 품질처럼 보이기 때문입니다. OOD 소재라야 실제로 산 것이 보입니다: 화풍이 일반화되는가, 그리고 몇 에폭부터 화풍 각인이 해부학과 의상 논리를 대가로 요구하는가.

고정 시드, 무LoRA 베이스라인부터 에폭 26까지. 에폭 10 부근에서 구조를 깨지 않으면서 화풍이 잠깁니다 — 이후 에폭은 그래픽한 룩을 더 밀어붙이지만 해부학이 휘기 시작하므로, 에폭 10을 표준 운용점으로 출고하고 후기 체크포인트는 의도적인 강한 다이얼로 보관합니다.

프로덕션에서

귀족 기사 스플래시 파이프라인과 플랫 트랙 컨셉 포스트에 사용했습니다. 검증에서 발견한 운용 노트: 이 화풍은 명료한 실루엣을 전제하며 절제된 프롬프트에서 가장 잘 읽힙니다 — 렌더링을 과잉 서술하면 LoRA를 돕는 게 아니라 싸우게 됩니다.

개요

시네마틱 저채도 페인터리 리얼리즘을 위한 스타일 LoRA — 스플래시 파이프라인 포스트들(연못의 황후, 잔 다르크, 황금 황제)을 뒷받침하는 주력 모델입니다.

카드

노트

검증 과정에서 발견한 프롬프트 규칙(주체 프론트로딩, CFG 1에서의 포지티브 전용 서술, 배경 배치)은 각 포스트의 프로세스 섹션에 기록되어 있습니다.

개요

화려한 페인터리 판타지 캐릭터를 위한 개인 아티스트 스터디 LoRA. 스타일 연습으로 학습했고, 다크 리전 세트와 발키리 인 모션 액션 스터디에 사용했습니다.

카드

노트

흥미로운 발견: 라이트터치 에폭은 표면 언어를 실어 나르면서도 베이스 모델의 해부학과 구도를 유지합니다 — 무거운 에폭은 화풍에서는 이기지만 유연성을 잃습니다.

에폭 스윕 — 분포 외 프로브

고정 시드, 고정 프롬프트(학습 데이터에 없는 소재)로 체크포인트 전체를 스윕. 운용 에폭은 감이 아니라 이렇게 증거로 고릅니다:

해결하는 문제

캐릭터 아트를 반복 작업한다는 건 컨셉당 수백 장의 생성이 시드·프롬프트 수정·LoRA 가중치·에폭에 걸쳐 흩어진다는 뜻입니다. 그걸 파일 탐색기로 리뷰하면 속도와 판단력이 모두 무너집니다: 맥락도 없고, 비교도 안 되고, 이 이미지가 왜 존재하는지 기록도 없습니다. 아틀리에는 폴더를 뒤지는 잡일을 리뷰 워크플로우로 바꿔 줍니다.

무엇인가

모든 생성 드라이버가 결과를 보고하는 로컬 웹앱(FastAPI + SQLite 백엔드, 실시간 갱신 프론트). 현재 8개 프로젝트에 걸쳐 1,100+ 배치 / 4,100+ 이미지를 프로젝트 → 캐릭터 → 배치 구조로 추적하고 있습니다.

중요한 설계 결정들

• 모든 배치는 생성 기록 전문과 함께 수집됩니다 — 이미지별 프롬프트 전문, 시드, 샘플러 설정, LoRA 스택까지. 6주 뒤에도 이 사이트의 어느 이미지든 “정확히 어떻게 만들었는가”에 답할 수 있습니다. 고아 출력물이 없습니다.
• 라이브 갤러리. 생성이 끝나면 몇 초 안에 열려 있는 브라우저에 새 배치가 나타납니다 — 새로고침도, 재탐색도 없습니다. 리뷰가 런 도중에 일어납니다.
• 스타일 = 프리셋. 스타일 하나가 베이스 워크플로우, 가중치 포함 LoRA 스택, 프롬프트 규칙, 권장 설정을 묶습니다. 검증된 레시피(“표준 = 에폭 10 @ 1.0”)가 구전 지식이 아니라 원클릭 출발점이 됩니다.
• 비교가 1급 시민. 같은 프롬프트를 스타일·체크포인트 간 나란히 비교 — 에폭 스윕 결정이 실제로 내려지는 곳입니다.
• 픽과 계보. 원클릭 픽으로 숏리스트를 만들고, 실험이 실제 프로젝트로 승격되면 배치를 재배정합니다. 딥링크(?character=…&batch=…)로 어떤 리뷰든 세션을 넘어 다시 열 수 있습니다.
• 툴과의 왕복. 어떤 이미지든 원클릭으로 그 이미지의 ComfyUI 그래프를 그대로 다시 열 수 있고, 업스케일/페이스 디테일 액션이 라이트박스에서 바로 실행됩니다.

존재 이유

이 사이트 전체의 파이프라인 주장 — 디렉팅된, 재현 가능한 생성 — 은 운영자가 모든 것을 보고, 비교하고, 추적할 수 있을 때만 참입니다. 아틀리에는 그 규율을 실제로 실천할 만큼 저렴하게 만드는 도구입니다.

해결하는 문제

이 사이트의 모든 스타일 LoRA는 데이터셋 문제에서 출발했고, 데이터셋 품질은 스타일 학습에서 가장 레버리지가 큰 단일 변수입니다 — 58장으로 학습하는 rank 32 LoRA에게는 나쁜 데이터를 무시할 용량이 없습니다. 레퍼런스 수집, 중복 제거, 크롭, 주제 이탈 이미지 거르기, 캡셔닝, 트레이너 포맷 익스포트까지가 하나의 파이프라인 분량이라, 아예 파이프라인으로 만들었습니다.

파이프라인

크롤 → ML 보조 선별 → 사람 검수 → 캡션 → 익스포트.

1. 크롤. 키워드·갤러리 단위 레퍼런스 수집.
2. ML 보조 선별. 지각적 중복 제거, 미적/품질 스코어링, CLIP 임베딩 유사도 억제 — 킵된 세트가 작가의 가장 반복적인 구도 10개로 붕괴하지 않고 다양성을 유지하게 합니다. 규칙 기반 자동 거절(멀티패널 시트, 스크린샷, 단체샷)은 자연어 지시문을 비전-언어 모델(VLM)에 통과시키는 방식으로 돌아갑니다.
3. 사람 검수 큐. 기계가 킵한 것도 전부 keep/reject 패스를 거칩니다 — 플랫 캐주얼 세트의 경우 1,167장 검수 → 521장 킵 → 58장 최종 승격이었습니다.
4. 캡션 엔진. 교체 가능한 백엔드: 태그 기반 모델용 booru 스타일 태거, 자연어 모델용 VLM 프로즈 캡셔닝 — 그리고 수동 QA용 캡션 뷰어. 캡션 환각(있지도 않은 무기와 날개)은 스타일 학습을 오염시키기 때문입니다.
5. 익스포트. 원클릭으로 트레이너가 기대하는 폴더 구조(이미지, 캡션, repeat 구조)가 나옵니다.

썸네일 블러 처리: 소스 아트웍은 학습 데이터 큐레이션 과정의 분석에만 사용하며 재배포하지 않습니다.

존재 이유

“LoRA 학습”은 GPU 작업처럼 들리지만, 실제로는 80%가 데이터 규율입니다. 데이터 경로를 재현 가능한 파이프라인으로 만들어 두면 새 스타일이 아이디어에서 검증된 모델까지 하루 이틀에 가고, 그렇게 나온 모델이라야 프로덕션 파이프라인에 넣을 만큼 일관적입니다.

해결하는 문제

공유 PSD를 열면 텍스트 레이어 절반에 노란 누락-폰트 경고가 떠 있습니다. 통상의 해법은 수작업입니다: 폰트 이름을 읽고, 웹을 검색하고, 낯선 사이트를 판별하고, 압축을 받아 맞는 파일을 골라 설치하고 — 폰트마다, 문서마다, 아티스트마다 반복. PSD를 매일 주고받는 팀에서는 (그리고 누군가 PC를 교체할 때마다) 꾸준한 생산 시간 세금입니다. 폰트헬퍼는 이 루프 전체를 더블클릭 한 번으로 바꿉니다.

동작 방식

스캔 → 대조 → 검색 체인 → 검증 → 설치.

1. 스캔. 실행 중인 포토샵과 COM으로 대화하며 열린 문서 전부를 읽습니다 — 스마트 오브젝트 내부에 묻힌 폰트까지 재귀적으로(임베디드·링크드 PSD/PSB, 그리고 .ai/.pdf/.eps 벡터 스마트 오브젝트용 무의존 스캐너).
2. 대조. 로컬 설치 폰트의 네임 테이블을 파싱해 차집합을 구합니다 — mtime/size 캐시로 웜 런 기준 검사 시간을 0.23초에서 0.02초로 단축.
3. 검색 체인. 누락 폰트마다 무료 폰트 소스 10곳을 우선순위대로 순회합니다 — 라이선스가 안전한 파운드리부터 최후순위 미러까지, 마지막 인간 폴백으로 웹 검색 버튼.
4. 검증. 다운로드를 열어 폰트의 내부 이름을 요청과 대조합니다 — 이름만 비슷한 다른 폰트는 설치되는 대신 건너뛰고, 모든 실패는 사유가 UI에 표시됩니다(로그인 장벽, 빈 압축, 이름 불일치).
5. 설치. 사용자 폰트 폴더 + 사용자별 레지스트리 등록 — 관리자 권한 불필요, 잠긴 사무실 PC에서도 안전.

라이선스를 아는 설계

결과 목록은 의도적으로 거대한 “모두 설치” 버튼 하나가 아닙니다:

• 안전한 소스는 원클릭 설치.
• 라이선스 불명확 소스는 명시적 위험 인지 체크박스가 필요하고 원본 페이지로 링크됩니다 — 그 판단을 툴이 대신하지 않습니다.
• Adobe Fonts는 감지만 하고 의도적으로 관여하지 않습니다 — 최신 포토샵이 Creative Cloud에서 자동 설치하므로, 툴은 아무것도 다운로드하지 않고 그쪽을 안내만 합니다.
• “안전한 폰트 모두 설치” 일괄 액션이 따로 있어, 경계를 흐리지 않으면서 안전 경로는 원클릭을 유지합니다.

스크린샷은 합성 데모 파일로 재현 — 프로덕션 문서는 포함되지 않았습니다.

엔지니어링 노트

테스트 우선으로 개발: 166개 테스트, 모든 사이트 파서를 실물 HTML 픽스처에 고정해 스위트가 오프라인으로 돌고, 소스 사이트 개편은 현장의 조용한 실패 대신 빨간 테스트로 나타납니다. 단일 33 MB PyInstaller exe로 배포 — 파이썬도 인스톨러도 불필요, SmartScreen 안내 포함 — 그리고 %APPDATA% 회전 로그로 동료의 버그 리포트가 파일 하나로 전달됩니다. 포토샵 연결은 COM ProgID 버전 폴백을 갖춰 멀티 버전·베타 설치 PC에서도 붙습니다. 배포는 GitHub Releases를 통합니다.

왜 여기 있는가

이 랩의 다른 카드들과 같은 패턴입니다: 반복되는 프로덕션 작업을 찾고, 도구를 만들고, 실제 작업으로 증명하고, 팀에 넘긴다. 폰트헬퍼는 그 스펙트럼의 비생성 쪽 끝입니다 — 스펙 우선 설계 문서, AI 어시스트 고속 구현, 그리고 비개발자 아티스트가 SmartScreen 두 줄 안내 외엔 아무것도 읽지 않고 실행할 수 있는 결과물.

개요

깔끔한 치비 게임 아트를 위한 스타일 LoRA — 치비 파티 세트와 갈라 디바 스플래시에 사용했습니다.

카드

에폭 스윕 — 분포 외 프로브

체크포인트 전체에 고정 시드·고정 프롬프트. 안정 에폭은 비율을 지키고, 후기 에폭은 더 둥글고 단순한 형태를 밀어붙입니다 — 둘 다 의도된 운용 포인트로 유지합니다: