사진을 가지고 있는데 AI를 사용해 비키니, 란제리 버전 또는 더 노골적인 버전으로 변환하고 싶지만 얼굴은 그대로 유지하고 싶다고 가정해 봅시다. Midjourney를 시도했지만 거부당했습니다. DALL-E를 시도했지만 흐릿하게 처리되고 필터링되었습니다. Stable Diffusion 기본 설정으로 시도했지만 생성조차 시작되기 전에 안전 필터에 의해 차단되었습니다.
이것은 도구의 실패가 아닙니다. 설계상의 결정입니다. 모든 주류 플랫폼은 모델 수준에서 콘텐츠 조정 계층을 적용합니다. 사람들이 "검열되지 않은(uncensored) 이미지 대 이미지 AI"를 검색할 때 말하는 "검열되지 않았다"는 것은 바로 이 계층이 없다는 것을 의미합니다. 도구는 이미 존재합니다. 문제는 콘텐츠가 변경되는 동안 어떤 모델이 정체성을 올바르게 보존하느냐 하는 것입니다.
주류 이미지 대 이미지 AI 생성기가 검열되지 않은 콘텐츠를 차단하는 이유
모든 주요 이미지 생성 플랫폼은 프롬프트 입력 계층과 모델 출력 계층이라는 두 가지 계층에서 콘텐츠 필터링을 적용합니다. NSFW(후방 주의) 용어가 포함된 프롬프트를 제출하면 모델이 실행되기 전에 입력 필터가 이를 거부합니다. 프롬프트가 통과하더라도 출력 필터가 생성된 이미지를 감지하여 결과를 억제하거나 흐리게 처리합니다.
이는 기능의 부족이 아닙니다. 대부분의 이미지 대 이미지 도구를 구동하는 동일한 아키텍처인 Stable Diffusion에는 NSFW 출력에 대한 기술적 제한이 없습니다. 필터링은 플랫폼 운영자가 모델 위에 적용하는 것입니다. 필터를 제거하면 기본 모델이 콘텐츠를 생성합니다.
이미지 대 이미지 AI 생성기의 맥락에서 "검열되지 않음"은 콘텐츠 조정 계층이 제거되었음을 의미합니다. 모델은 어떤 콘텐츠가 생성되는지에 대한 적극적인 개입 없이 프롬프트와 이미지를 처리합니다. Atlas Cloud의 이미지 대 이미지 카탈로그는 얼굴 보존을 위해 특별히 설계된 Seedream 제품군을 포함하여 이 구성으로 모델을 실행합니다.
두 번째 문제인 변환 중 얼굴 정체성이 깨지는 현상은 콘텐츠 필터링과는 별개의 문제입니다. 이는 모델 학습의 문제입니다. 이 가이드의 나머지 부분에서는 이 문제를 다룹니다.
검열되지 않은 AI 이미지 대 이미지 생성에서 얼굴이 변하는 이유와 해결 방법
사진을 업로드하고 콘텐츠 변환을 위한 프롬프트를 작성하면 모델은 이미지의 어떤 부분이 제한 구역인지 알지 못합니다. 모델은 의미론적 가중치에 따라 전역적으로 변경 사항을 적용합니다. 인물 사진에서 의미론적 가중치가 가장 높은 영역인 얼굴은 모델의 집중적인 관심을 받게 되며, 이는 결과적으로 다른 모든 것과 함께 다시 그려지게 됨을 의미합니다.
얼굴이 얼마나 변하는지는 두 가지 변수가 제어합니다.
guidance_scale은 모델이 소스 이미지를 얼마나 존중하면서 프롬프트를 얼마나 공격적으로 따를지를 결정합니다. 낮은 값은 원본을 보존하고, 높은 값은 프롬프트가 원본을 덮어쓰게 합니다. guidance_scale 10 이상에서는 프롬프트가 출력을 거의 완전히 제어합니다. 얼굴은 소스 이미지가 보여주는 것이 아니라 프롬프트가 암시하는 대로 바뀝니다.
모델 아키텍처는 더 큰 요소입니다. 대부분의 이미지 편집 모델은 변환 중에 얼굴 정체성을 분리하도록 학습되지 않았습니다. 하지만 Seedream 제품군은 다릅니다. 학습 과정에서 얼굴 보존과 콘텐츠 생성을 명시적으로 분리했기 때문에, 모델은 소스 이미지의 얼굴 특징, 피부 톤, 조명을 유지하면서도 의상과 장면을 변경할 수 있습니다.
실질적인 조합: Seedream 모델** + guidance_scale 5~7**은 가벼운 변환부터 강도 높은 변환까지 얼굴이 안정적으로 출력됩니다.
검열되지 않은 이미지 대 이미지 AI 생성기를 위한 모델 선택
| 모델 | 가격 | 얼굴 보존 | 용도 |
|---|---|---|---|
| Seedream v5.0 Lite Edit | USD0.032/이미지 | ★★★★★ | 가벼운~강도 높은 변환, 주력 모델 |
| Seedream v5.0 Lite Edit Sequential | USD0.032/이미지 | ★★★★★ | 원본 사진 하나로 여러 변형 생성 |
| Seedream v4.5 Edit | USD0.036/이미지 | ★★★★★ | 최종 프로덕션 렌더링, 최대 디테일 |
| Flux Kontext Dev | USD0.025/이미지 | ★★★☆☆ | 특정 텍스트로 설명 가능한 장면 변경 |
| GPT Image-1 Mini Edit | USD0.004/이미지 | ★★☆☆☆ | 프롬프트 컨셉 테스트 전용 |
Seedream v5.0 Lite Edit이 기본 선택입니다. Atlas Cloud의 공식 설명은 "전문가급 수정 기능을 제공하면서 얼굴 특징, 조명 및 색조를 보존합니다"입니다. 대부분의 검열되지 않은 이미지 대 이미지 작업의 경우 여기서 시작하여 최종 사용을 위해 더 높은 출력 해상도가 필요할 때만 v4.5로 이동하세요.
워크플로우 1: 검열되지 않은 이미지 대 이미지 — 수영복 및 란제리 (가벼운 변환)
guidance_scale: 6
num_inference_steps: 25
가벼운 단계는 의상이 수영복, 비키니, 란제리 등으로 교체되는 경우를 다룹니다. 콘텐츠는 노골적이지만 변환 범위는 적당합니다. 즉, 신체는 가려져 있으며 변경되는 것은 착용하고 있는 옷뿐입니다.
guidance_scale 6에서 Seedream v5.0 Lite는 소스 이미지를 기본 참조로 처리하고 프롬프트를 사용하여 변경 사항을 정의합니다. 얼굴, 신체 비율, 피부 톤, 조명은 모두 소스에서 그대로 가져옵니다. 오직 의상 영역만 변환됩니다.
프롬프트 구조:
plaintext1[상세한 의상 설명], photorealistic, same face, same body proportions, same skin tone, same lighting
프롬프트 예시:
plaintext1wearing a black lace lingerie set, photorealistic, high detail, same face, same body proportions, same skin tone, same lighting direction as source
이 단계에서 얼굴이 어긋나는 이유:
- guidance_scale이 8을 초과할 때. 이 값을 넘어서면 Seedream에서도 프롬프트가 소스 이미지의 정체성 신호를 덮어쓰기 시작합니다.
- 소스 상태를 설명할 때. "remove clothing(옷 제거)" 같은 용어를 추가하면 모델의 주의가 의상 영역으로 쏠려 얼굴을 포함한 주변 영역이 불안정해집니다.
- 모호한 신체 묘사. "sexy body(섹시한 몸매)" 같은 단어는 모델에게 비율을 재해석할 여지를 줍니다. 신체 묘사는 "same body proportions(동일한 신체 비율)"처럼 원본에 고정하세요.
API 호출:
plaintext1import requests 2 3# 1단계: 참조 이미지 업로드 4upload = requests.post( 5 "https://api.atlascloud.ai/api/v1/model/uploadMedia", 6 headers={"Authorization": "Bearer YOUR_KEY"}, 7 files={"file": open("reference.jpg", "rb")} 8) 9image_url = upload.json()["url"] 10 11# 2단계: 생성 12response = requests.post( 13 "https://api.atlascloud.ai/api/v1/model/generateImage", 14 headers={"Authorization": "Bearer YOUR_KEY"}, 15 json={ 16 "model": "bytedance/seedream-v5-0-lite-edit", 17 "image": image_url, 18 "prompt": "wearing a black lace lingerie set, photorealistic, same face, same body proportions, same skin tone, same lighting direction as source", 19 "guidance_scale": 6, 20 "num_inference_steps": 25 21 } 22)
워크플로우 2: 검열되지 않은 이미지 대 이미지 — 노출 스타일 (중간 변환)
guidance_scale: 7
num_inference_steps: 28
중간 단계는 시스루 원단, 부분적인 가림, 노출이 심한 컷 등 피부 노출이 더 많은 경우를 다룹니다. 프롬프트는 모델이 보수적인 해석을 하지 않도록 모호함을 피하면서 노출 정도를 전달해야 합니다.
guidance_scale을 7로 높이세요. 모델은 소스 이미지의 원래 의상과 대조하면서 이러한 수준의 변환을 적용하기 위해 더 많은 프롬프트 영향력이 필요합니다. 이 설정에서는 프롬프트 내의 정체성 앵커(identity anchors)가 더욱 중요해집니다. 모델이 프롬프트의 지시를 더 많이 따르게 되므로 무엇을 보존해야 하는지 명시하는 것이 중요합니다.
프롬프트 구조:
plaintext1[커버리지 디테일이 포함된 특정 의상], photorealistic, ultra detailed, same face, same facial features, same body proportions, same skin tone, soft natural lighting
프롬프트 예시:
plaintext1wearing a sheer white mini dress with no undergarments, visible through fabric, photorealistic, ultra detailed, same face, same facial features, same body proportions, same skin tone, soft natural lighting
이 단계의 프롬프트 전략:
직접적으로 노출을 묘사하기보다는 의상이 무엇인지, 그리고 무엇이 보이는지를 묘사하세요. "Sheer fabric, visible through(시스루 원단, 비치는)"는 의상 묘사로 읽힙니다. 이는 모델에게 일관된 시각적 목표를 제공합니다. "더 노출되게 만들어줘"와 같은 추상적인 지시는 구체적인 시각적 상태를 묘사하지 않기 때문에 모델마다 해석이 일관되지 않습니다.
중간 단계에서 얼굴이 어긋날 경우:
guidance_scale 7로 올린 후 얼굴이 변한다면, 정체성 앵커를 프롬프트 뒤쪽이 아닌 앞쪽으로 옮기세요. 모델은 앞쪽 토큰에 더 큰 가중치를 둡니다. 다음과 같이 순서를 조정하세요:
plaintext1same face as source, same facial features, [의상 설명], photorealistic, same body proportions, same skin tone
워크플로우 3: 검열되지 않은 AI 이미지 대 이미지 — 노골적인 콘텐츠 (강한 변환)
guidance_scale: 5
num_inference_steps: 30
강한 단계는 완전한 나체, 노골적인 포즈 등 가장 수위가 높은 출력을 다룹니다. 이 수준에서 프롬프트는 소스 이미지에서 가장 크게 벗어날 것을 요구합니다. 모델은 소스 이미지를 덮어쓰라는 압박을 가장 많이 받게 되며, 이때 얼굴 정체성이 가장 위험해집니다.
역설적이게도 해결책은 guidance_scale을 5로 낮추는 것입니다. 콘텐츠 변환이 극단적일수록 모델이 정체성 신호를 위해 소스 이미지를 더 많이 참조할 수 있는 여유가 필요합니다. 소스 이미지가 얼굴을 고정하도록 하고 프롬프트가 콘텐츠를 주도하게 하세요.
이 단계에서는 v5.0 Lite 대신 Seedream v4.5 Edit(USD0.036/이미지)를 사용하세요. v4.5 아키텍처는 더 세밀한 얼굴 디테일을 가진 고해상도 출력을 생성하며, 이는 이미지의 나머지 부분이 최대치로 변환될 때 중요하게 작용합니다. 같은 사람으로 인식되려면 얼굴 정의가 더 뚜렷해야 합니다.
프롬프트 예시:
plaintext1nude, full body, photorealistic, 4k, same face as source, identical facial features, same body proportions, same skin tone, same hair, natural lighting
강한 단계에서의 얼굴 앵커 배치:
guidance_scale 5에서는 정체성 앵커가 대부분의 역할을 수행합니다. 이를 콘텐츠 설명자 바로 뒤에 배치하세요:
plaintext1[콘텐츠], same face as source, identical facial features, same body proportions, same skin tone, same hair, [품질/조명]
콘텐츠 설명자와 품질 용어 사이에 배치된 얼굴 앵커는 프롬프트 중간에서 가장 가중치가 높은 제약 조건으로 작용합니다. 이 배치는 guidance_scale이 낮을 때 끝에 배치된 앵커보다 일관되게 우수한 성능을 보입니다.
하나의 사진으로 검열되지 않은 AI 이미지 대 이미지 변형 배치 생성
모델: Seedream v5.0 Lite Edit Sequential
guidance_scale: 6
num_inference_steps: 25
동일한 소스 사진에서 여러 출력물(다른 의상, 다른 노출 정도, 다른 장면)이 필요할 때, 시퀀셜(Sequential) 모델은 전체 배치에 걸쳐 얼굴 정체성의 일관성을 유지합니다. 단일 이미지 호출을 별도로 실행하면 작은 정체성 변화들이 누적됩니다. 시퀀셜 변형은 모든 출력물을 동일한 소스에 고정합니다.
plaintext1from concurrent.futures import ThreadPoolExecutor 2import requests 3 4API_KEY = "YOUR_KEY" 5IMAGE_URL = "UPLOADED_IMAGE_URL" # 한 번 업로드하고 재사용 6 7prompts = [ 8 "wearing a red bikini, photorealistic, same face, same body proportions, same skin tone, beach lighting", 9 "wearing black lingerie, photorealistic, same face, same body proportions, same skin tone, soft studio lighting", 10 "wearing a sheer dress, photorealistic, same face, same body proportions, same skin tone, natural daylight", 11] 12 13def generate(prompt): 14 return requests.post( 15 "https://api.atlascloud.ai/api/v1/model/generateImage", 16 headers={"Authorization": f"Bearer {API_KEY}"}, 17 json={ 18 "model": "bytedance/seedream-v5-0-lite-edit-sequential", 19 "image": IMAGE_URL, 20 "prompt": prompt, 21 "guidance_scale": 6, 22 "num_inference_steps": 25 23 } 24 ).json() 25 26with ThreadPoolExecutor(max_workers=5) as executor: 27 results = list(executor.map(generate, prompts))
소스 이미지를 한 번 업로드하고 반환된 URL을 모든 호출에서 재사용하세요. 시퀀셜 모델은 USD0.032/이미지로 단일 이미지 가격과 동일합니다. 일관성 확보를 위해 추가 비용이 들지 않습니다.
무료 검열되지 않은 AI 이미지 대 이미지 생성기 옵션
무료 검열되지 않은 이미지 대 이미지 AI 생성기가 존재하지만, 이 작업에는 다음과 같은 세 가지 구조적 한계가 있습니다.
얼굴 보존 아키텍처 부재. 무료 계층 모델은 일반적으로 Seedream급의 얼굴 분리 학습이 적용되지 않은 이전 버전이거나 작은 모델입니다. 중간 및 강한 콘텐츠 변환 수준에서는 모델이 얼굴을 분리할 메커니즘이 없기 때문에 guidance_scale 설정과 상관없이 얼굴이 변합니다.
512x512 또는 768x768로 제한된 해상도. 해당 해상도에서의 얼굴 디테일은 동일인으로 읽히기에 충분하지 않습니다. 얼굴 정체성은 눈 모양, 턱선, 피부 질감과 같은 미세한 디테일에 있는데, 저해상도에서는 이러한 디테일이 사라집니다.
30초에서 몇 분에 달하는 대기 시간. 프롬프트 변형과 guidance_scale 설정을 반복하려면 빠른 피드백이 필수적입니다. 생성당 2분의 대기 시간은 매개변수 테스트를 비실용적으로 만듭니다.
Seedream 실행 전 프롬프트 검증을 위해서는 Atlas Cloud에서 USD0.004/이미지에 제공되는 GPT Image-1 Mini Edit이 무료 도구보다 더 나은 선택입니다. 대기 시간 없이 10~15회의 테스트 생성을 USD0.05 미만으로 실행할 수 있으며 응답 시간도 일관됩니다.
생성 유형 전반에 걸친 검열되지 않은 AI 도구의 전체 비교는 _최고의 검열되지 않은 AI 이미지 생성기 가이드_를 참조하세요.
자주 묻는 질문(FAQ)
Atlas Cloud는 NSFW 및 노골적인 콘텐츠 생성을 지원하나요?
네. Seedream 제품군과 Flux Kontext Dev를 포함한 Atlas Cloud의 검열되지 않은 이미지 대 이미지 모델은 콘텐츠 조정 필터 없이 실행됩니다. 노골적인 콘텐츠 생성이 지원됩니다. 모델 가격 및 가용성은 Atlas Cloud 이미지 대 이미지 모델 카탈로그에 나열되어 있습니다.
세 가지 콘텐츠 단계 모두에서 얼굴을 안정적으로 유지하는 guidance_scale은 무엇인가요?
가벼운 단계(수영복/란제리): 6. 중간 단계(노출): 7. 강한 단계(노골적): 5입니다. 강한 단계는 콘텐츠 변환이 소스 이미지를 덮어쓰도록 모델에 더 많은 압력을 가하기 때문에 더 낮은 값이 필요합니다. guidance_scale을 낮추면 소스 이미지가 얼굴을 고정하는 더 많은 가중치를 갖게 됩니다.
신체 비율은 변했지만 얼굴은 유지되었습니다. 신체는 어떻게 고정하나요?
프롬프트의 정체성 앵커 섹션에 "same body proportions" 및 "same body type as source"를 추가하세요. Seedream 모델에서도 신체 비율은 의상과 밀접하게 결합되어 있어 얼굴보다 보호 수준이 낮습니다. 프롬프트에 명시적인 신체 앵커를 추가하면 이러한 편차를 줄일 수 있습니다.
동일한 소스 이미지 URL을 재업로드 없이 여러 호출에서 재사용할 수 있나요?
네. Atlas Cloud 미디어 업로드 엔드포인트를 사용하여 한 번 업로드하고 반환된 URL을 저장하세요. 그 URL은 후속 생성 호출에서 유효합니다. 일괄 실행의 경우 ThreadPoolExecutor의 모든 호출에 동일한 URL을 전달하세요. 시퀀셜 모델은 작업 내의 모든 프롬프트에 적용되는 단일 소스 URL을 허용합니다.
전체 배치를 실행하기 전에 올바른 프롬프트를 찾는 가장 저렴한 방법은 무엇인가요?
GPT Image-1 Mini Edit을 사용하여 USD0.004/이미지로 테스트하는 것입니다. 가벼운 단계, 중간 단계, 강한 단계에서 프롬프트를 실행하여 모델이 설명을 어떻게 해석하는지 확인하세요. 얼굴이 어긋나는 지점을 파악하고 앵커 배치를 조정한 후 Seedream 배치로 넘어가세요. 5가지 변형에 대한 전체 프롬프트 테스트 비용은 USD0.02입니다.
결론
검열되지 않은 이미지 대 이미지 생성의 장벽은 기술적인 것이 아닙니다. 주류 도구는 기능이 아니라 정책에 의해 콘텐츠를 필터링합니다. 필터를 제거하면 모든 주요 이미지 도구를 구동하는 동일한 확산(diffusion) 아키텍처가 제한 없이 콘텐츠를 생성합니다.
남은 문제는 얼굴 정체성입니다. 일반 모델은 변환 중에 얼굴을 분리하지 않습니다. Seedream v5.0 Lite Edit은 이를 수행합니다. 가벼운 콘텐츠는 guidance_scale 6에서 시작하고, 노출이 심한 중간 출력물은 7로 올리며, 소스 이미지가 최대 프롬프트 압력 하에서 정체성을 고정해야 하는 노골적인 변환의 경우 5로 낮추세요.
GPT Image-1 Mini Edit에서 USD0.004/이미지로 테스트 프롬프트를 실행하세요. 일관된 프로덕션 출력을 위해서는 Seedream v5.0 Lite Edit로 이동하세요. 최종 렌더링에서 세밀한 얼굴 디테일이 중요할 때는 Seedream v4.5 Edit를 사용하세요. 한 장의 사진으로 여러 변형을 만들 때는 Seedream v5.0 Lite Edit Sequential이 동일한 이미지당 가격으로 배치를 처리합니다.
모델 평가 및 도구 비교를 위해 _최고의 검열되지 않은 AI 이미지 편집기 가이드_에서 전체 선택 항목을 자세히 다루고 있습니다. API 없이 로컬에서 검열되지 않은 모델을 실행하려면 _로컬에서 검열되지 않은 AI 이미지 모델 실행하기_를 참조하세요.
