1. 서론: GPEN이 왜 필요한가? 흐릿한 사진을 선명하게 바꾸는 기술

오래된 가족 사진이나 중요한 순간을 촬영한 사진이 흐릿하거나 노이즈로 인해 선명하지 못한 경험이 있을 것이다. 과거에는 이런 사진을 복원하기 위해 포토샵과 같은 고급 이미지 편집 기술이 필요하거나, 전문 업체에 비용을 지불해야 했다.

GPEN(Generative Prior Embedded Network)은 이러한 문제를 해결하기 위해 등장한 생성적 적대 신경망(GAN) 기반 인물 사진 복원 모델이다. 이 모델은 저화질의 얼굴 이미지를 입력받아 자연스럽고 선명한 고화질 이미지로 변환한다. 본 글에서는 GPEN 모델을 ModelScope 플랫폼과 통합하여, 복잡한 Python 환경 설정이나 의존성 패키지 설치 없이 즉시 사용 가능한 도커 이미지를 제공한다. 이 이미지는 사전에 모든 모델 가중치를 포함하고 있어 완전한 오프라인 환경에서도 동작한다.

이 가이드에서는 이미지를 빠르게 실행하고, 간단한 명령어 한 줄로 사진을 복원하며, 사전 탑재된 모델 가중치를 활용하여 완전 오프라인으로 고속 인물 사진 보정을 수행하는 방법을 단계별로 설명한다. 개발자든 일반 사용자든 이 가이드를 통해 쉽게 고급 이미지 복원 기술을 활용할 수 있을 것이다.

2. 환경 구성: 제공되는 도구들

본격적인 사용에 앞서, 제공되는 도커 이미지에 포함된 주요 구성 요소를 살펴본다. 이를 통해 환경에 대한 이해를 높이고 문제 발생 시 원인을 빠르게 파악할 수 있다.

2.1 핵심 컴포넌트 및 의존성

이미지의 핵심은 완전하고 즉시 사용 가능한 딥러닝 환경이다. 주요 설정은 다음과 같다.

기본 환경 외에도 필수 의존성 라이브러리가 사전 설치되어 있다.

• facexlib: 이미지에서 얼굴을 정확히 탐지하고 정렬하는 역할을 한다. GPEN이 얼굴 영역에 집중해 복원을 수행할 수 있도록 돕는다.
• basicsr: 이미지 초해상도(Super-Resolution)를 위한 기본 도구 상자로, GPEN의 하부 구조를 구성하며 다양한 이미지 처리 기본 기능을 제공한다.
• opencv-python, numpy 등: 이미지 읽기/쓰기, 배열 데이터 처리 등 이미지 처리와 과학 계산에 필요한 표준 라이브러리이다.

2.2 사전 탑재 모델 가중치: 오프라인 동작의 핵심

이 이미지의 가장 큰 장점은 모델 가중치가 사전에 포함되어 있어 별도의 다운로드가 필요 없다는 점이다. 일반적으로 AI 모델을 실행할 때 가장 번거로운 부분이 대용량 사전 학습 모델을 네트워크를 통해 다운로드하는 과정인데, 이 과정을 생략할 수 있다.

이미지 내부에는 GPEN 모델 실행에 필요한 모든 가중치 파일이 사전 다운로드되어 있으며, 구성은 다음과 같다.

1. GPEN 생성기(Generator) 모델: 흐릿한 얼굴을 선명하게 변환하는 핵심 모델이다.
2. 얼굴 탐지 및 정렬 모델: facexlib의 일부로, 얼굴 위치를 정밀하게 찾고 정렬하는 역할을 한다.

이 가중치 파일들은 ModelScope의 표준 캐시 경로인 ~/.cache/modelscope/hub/iic/cv_gpen_image-portrait-enhancement에 저장된다. 따라서 추론 스크립트를 실행할 때 프로그램은 이 로컬 경로에서 직접 모델을 로드하며 네트워크 연결이 전혀 필요하지 않다. 이는 내부 네트워크 환경이나 인터넷 속도가 느린 환경에서 매우 중요한 장점이며, 긴 대기 시간 없이 빠른 복원이 가능하다.

3. 3단계로 시작하는 첫 번째 사진 복원

이론적인 설명은 여기까지 하고, 실제로 흐릿한 사진을 선명하게 만드는 과정을 3단계로 따라 해본다.

3.1 1단계: 환경 활성화

모든 환경이 이미 설치되어 있으므로, 활성화만 하면 된다. 터미널을 열고 다음 명령어를 입력한다.

conda activate torch25

이 명령은 torch25라는 이름의 Python 가상 환경을 활성화하며, 이 환경 안에 앞서 언급한 모든 의존성이 포함되어 있다. 명령 프롬프트 앞에 (torch25)가 표시되면 활성화가 성공한 것이다.

3.2 2단계: 프로젝트 디렉토리로 이동

모든 작업 스크립트는 /root/GPEN 디렉토리에 있다. 다음 명령어로 이동한다.

cd /root/GPEN

3.3 3단계: 추론 스크립트 실행

가장 핵심적인 단계이다. inference_gpen.py 스크립트가 사진 복원을 담당하며, 명령줄 인자를 통해 처리할 이미지를 유연하게 지정할 수 있다. 자주 사용되는 몇 가지 시나리오를 소개한다.

시나리오 1: 빠른 체험 - 내장 예제 이미지 처리
효과를 먼저 확인하고 싶다면, 스크립트에 포함된 테스트 이미지를 처리하는 가장 간단한 명령을 실행한다.

python inference_gpen.py

실행 후, 스크립트는 프로젝트 내의 예시 사진(예: 역사적인 회의 사진)을 자동으로 처리한다. 처리가 완료되면 현재 디렉토리에 output_Solvay_conference_1927.png라는 이름의 새 파일이 생성된다. 이 파일이 복원된 고화질 버전이다. 원본과 비교하여 특히 얼굴 부분의 세부 묘사가 어떻게 개선되었는지 확인할 수 있다.

시나리오 2: 사용자 사진 복원
자신의 사진을 처리하려면 다음 단계를 따른다. 먼저 복원할 사진(예: my_photo.jpg)을 서버에 업로드하고, /root/GPEN 디렉토리에 저장하거나 절대 경로를 알고 있어야 한다. 그런 다음 다음 명령을 실행한다.

python inference_gpen.py --input ./my_photo.jpg
# 또는 축약형 파라미터 사용
# python inference_gpen.py -i ./my_photo.jpg

스크립트는 my_photo.jpg를 읽어 복원한 후, 같은 디렉토리에 output_my_photo.jpg라는 이름의 결과 파일을 생성한다.

시나리오 3: 출력 파일명 직접 지정
기본 output_xxx 명명 규칙이 마음에 들지 않으면 -o 인자를 사용해 출력 파일명을 직접 지정할 수 있다.

python inference_gpen.py -i ./test.jpg -o ./my_restored_photo.png

이 명령은 test.jpg를 읽고, 복원된 결과를 my_restored_photo.png로 저장한다. -i는 입력 파일, -o는 출력 파일을 지정하는 인자이다.

아래 이미지는 저화질 인물 사진에 대한 모델의 복원 효과를 보여준다. 왼쪽 원본은 흐릿하고 노이즈가 있으며 얼굴 세부 정보가 손실된 반면, 오른쪽 복원된 이미지는 피부 질감이 선명해지고 이목구비가 강화되어 전체적인 화질이 크게 개선되었음을 확인할 수 있다.