Research Article
Abstract
References
Information
웹툰을 주제로 한 연구가 사회 문화 전반에 걸쳐 영향을 끼치고 있다. 웹툰 생산성부터 사회 문화적인 반응에 이르기까지 영향을 미치고 나아가 상업적 활용을 통해 단순 소비 뿐 만 아니라 마켓팅, 광고, 브랜드화, 영화 및 드라마 제작 등이 이루어지고 있다. 웹툰은 고정 소비자 뿐만 아니라 웹툰 존재 자체가 확장성을 가진다. 우리는 본 논문에서는 시대 변화에 맞추어 웹툰 작품 생산 패러다임이 바뀔 미래를 예측하고 웹툰 제작 스토리 구상부터 이미지 생성까지 창작 과정을 자동화 시스템으로 변환할 것을 제안한다. 독특한 작가의 아이디어가 잘 표현되려면 제작과정에서 많은 시간과 노력을 들여야 하는데 다음 제안하는 기술을 통해 우리는 웹툰 제작 시간을 줄일 수 있다. 물론 우리가 제안하는 인공지능 기술이 작가의 의도를 잘 살펴 원하는 완전한 결과를 만들어 내는 것은 아니다. 그렇기 때문에 웹툰 제작 공정의 자동화 시스템 구축은 작품을 완성하기 위한 도구로만 그 역할을 주어야 한다. 자동 생성기는 데이터 학습을 기반으로 그 모형이 완성된다. 따라서 데이터셋이 어떤 군집인가에 따라 생성 이미지의 품질은 달라질 수 있다. 우리는 본 연구를 통해 인공지능 기술의 생성 이미지 생산 능력을 창작력에 두기 보다는 인간 노동의 대체를 가능하게 하는 자동화에 초점을 맞추어야 함을 강조한다.
Research on webtoons is having an impact on all aspects of society and culture. From webtoon productivity to socio-cultural responses, webtoons are influencing and even commercializing not only consumption, but also marketing, advertising, branding, and film and drama production. Webtoons are not only limited to fixed consumers, but the very existence of webtoons is scalable. In this paper, we predict a future where the paradigm of webtoon production will change according to the changing times and propose to convert the creative process from story conception to image generation into an automated system. In order for a unique author's idea to be well expressed, a lot of time and effort must be spent in the production process, but with the following proposed technology, we can reduce the production time of webtoons. Of course, the AI technology we propose does not always produce the perfect result that the author intends, so building an automated system for the webtoon production process should only serve as a tool to complete the work. The automatic generator is modeled based on data learning. Therefore, the quality of the generated images may vary depending on the clustering of the dataset. We emphasize that the focus should be on automation that enables the replacement of human labor, rather than on the ability of AI to produce generative images.
- H.K. Sun, "K-platform swept the global webtoon market", The Korea Economu Daily, https://www.hankyung.com/economy/article/2022041184841 , 2022.
- 윤기헌, 정규하, 최인수, 최해솔, "웹툰 통계 분석을 통한 한국 웹툰의 특징", 만화애니메이션 연구, pp. 177-194, 2015.
- 채원석, 김현진, "웹툰 이미지 제작공정 단계별 활용 가능한 스케치 관련 인공지능 기술", 한국정보과학회 학술발표논문집, 2021.
- 정위, 최동혁, "의미연결망 분석을 이용한 웹툰의 연구 동향 분석", 만화애니메이션 연구, pp. 255-280, 2020.
- 박석환, "한국 웹툰 생태계의 활성화 방안", 애니메이션연구, 제 11권 제 3호, pp. 65-81, 2015.
- 김정연, 이하나, "웹툰에 적용된 최근 IT 기술의 동향에 관한 연구", 한국디자인문화학회지, 제22권 제4호, pp. 99-109, 2016.
- A. Radford, et al., "Improving language understanding by generative pre-training", Work in Progress, 2018.
- A. Radford, et al., "Learning transferable visual models from natural language supervision", International Conference on Machine Learning, PMLR, 2021.
- O. Patashnik, et al., "Styleclip: Text-driven manipulation of stylegan imagery", Proceedings of the IEEE/CVF International Conference on Computer Vision, 2021. 10.1109/ICCV48922.2021.00209
- T. Karras, L. Samuli, and A. Timo, "A style-based generator architecture for generative adversarial networks", Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2019. 10.1109/CVPR.2019.00453
- H. Zhang, et al., "Self-attention generative adversarial networks", International Conference on Machine Learning, PMLR, 2019.
- T. Salimans, et al., "Improved techniques for training gans", Advances in Neural Information Processing Systems, 2016.
- B., Federico, D.G. Morín, and L. Rodés-Guirao, "Deep koalarization: Image colorization using cnns and inception-resnet-v2", arXiv preprint arXiv:1712.03400, 2017.
- O. Ozan, B. Saritürk, and D.Z. Seker, "Comparison of fully convolutional networks (FCN) and U-net for road segmentation from high resolution imageries", International Journal of Environment and Geoinformatics, pp. 272-279, 2020. 10.30897/ijegeo.737993
- T. Karras, et al., "Analyzing and improving the image quality of stylegan", Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020. 10.1109/CVPR42600.2020.00813
- F.-A. Croitoru, et al., "Diffusion models in vision: A survey", IEEE Transactions on Pattern Analysis and Machine Intelligence, 2023. 10.1109/TPAMI.2023.3261988 37030794
- W. Max, and Y.W. Teh, "Bayesian learning via stochastic gradient Langevin dynamics", Proceedings of the 28th international conference on machine learning (ICML-11), 2011.
- J. Ho, J. Ajay, and A. Pieter, "Denoising diffusion probabilistic models", Advances in Neural Information Processing Systems, pp. 6840-6851, 2020.
- Publisher :The Society of Convergence Knowledge
- Publisher(Ko) :융복합지식학회
- Journal Title :The Society of Convergence Knowledge Transactions
- Journal Title(Ko) :융복합지식학회논문지
- Volume : 11
- No :3
- Pages :45-54
- DOI :https://doi.org/10.22716/sckt.2023.11.3.024
The Society of Convergence Knowledge Transactions
