0.2B 모델로 10B급 인페인팅 성능 달성!

Moebius는 LλMI 블록을 통해 기존의 U-Net 기반 확산 모델(Diffusion Model) 아키텍처를 재구성하여 파라미터 수를 0.22B로 극단적으로 줄였습니다. 이는 공간적 컨텍스트(Spatial Context)와 전역 의미론적 사전 정보(Global Semantic Priors)를 고정 크기 선형 행렬로 압축하여 복잡한 잠재 상호작용을 보존하면서도 연산량을 획기적으로 감소시킨 결과입니다. 이러한 구조적 압축(Structural Compression)은 데이터 격리 아키텍처(Data Isolation Architecture)와 유사하게 모델의 효율성을 극대화하는 핵심 요소로 작용합니다.

경량화된 아키텍처의 표현 능력을 극대화하기 위해 적응형 멀티-그래뉼러리티 증류 전략(Adaptive Multi-Granularity Distillation Strategy)이 사용되었습니다. 이 전략은 잠재 공간(Latent Space) 내에서만 작동하여 고비용의 픽셀 공간 디코딩을 피합니다. 또한, 다중 그래뉼러리티 기반 손실(Multiple Gradient-Based Losses)을 동적으로 균형 맞춰 고충실도 정렬을 달성하며, 이는 AI 환각(Hallucination) 현상을 최소화하는 데 기여합니다. 커뮤니티에서는 이 증류 방식이 10B급 모델의 성능을 모방하는 데 결정적인 역할을 한다고 평가합니다.

일부 사용자는 Moebius가 자연 이미지에서는 합리적으로 작동하지만, 인페인팅된 영역이 주변보다 부드럽게 처리되고 새로운 객체 생성 시 성능이 저하된다는 피드백을 제공했습니다. 또한, 512x512 출력 제한이 실용성을 제한할 수 있다는 지적도 있습니다. 반면, 다른 사용자는 갤러리 샘플이 인상적이라고 언급하며, 특히 턱, 턱선, 체중 감소 효과 등 특정 영역에서의 개선 가능성을 시사했습니다. 이는 최적화된 특화 모델(Task-Specific Specialist)로서의 장점과 한계를 동시에 보여줍니다.

사용자 'simonw'는 Moebius 모델을 ONNX 형식으로 변환하여 브라우저에서 직접 실행 가능한 대화형 데모를 구축했습니다. 이는 약 1.3GB의 다운로드 크기를 가지며, 소비자 등급 하드웨어에서도 고품질 인페인팅이 가능함을 시사합니다. 과거 배너 광고 인페인팅 프로젝트 경험을 공유한 사용자 'xrd'는 다양한 종횡비와 해상도 요구사항으로 인한 복잡성을 언급하며, Moebius와 같은 효율적인 모델이 이러한 문제를 해결할 잠재력이 있음을 시사했습니다.

커뮤니티에서는 Moebius의 경량성과 고성능을 바탕으로 모바일 앱 및 소비자용 사진 편집 도구에 통합될 가능성에 주목하고 있습니다. 특히 만화 및 애니메이션 번역을 위한 망가(Manga) 인페인팅 버전이나 전자상거래에서 사용자의 집 외관 이미지에 어닝을 추가하는 등의 구체적인 프로젝트 아이디어가 제시되었습니다. 이는 AI 기반 이미지 편집 기술의 접근성 향상과 함께 새로운 유스케이스(Use Case)를 창출할 것으로 기대됩니다.