*Corresponding author: Sun-Hyoung Kim Tel : +82-62-950-3765 E-mail : I. 서 론
최근 생성형 인공지능(Generative AI)은 뷰티 산업에서 창의성과 효율성을 동시에 추구하는 도구로 주목받고 있다. 생성형 인공지능 기술의 발달이 빠르게 진화됨에 따라 기계가 인간의 영역을 대신하는 역할도 가속화되고 있다(Min & Jeong, 2023). 특히 텍스트 기반 이미지 생성 모델은 메이크업 디자인 시뮬레이션, 고객 맞춤형 스타일링, 교육 콘텐츠 제작 등 다양한 분야에서 긍정적인 평가를 받고 있으며, 생성형 인공지능을 활용한 뷰티 산업의 발전을 촉진할 것으로 기대되고 있다(Lee & Choi, 2023; Kim et al., 2025; Ju, 2024).
현재 뷰티 산업에서는 인공지능 기술을 활용하여 개인 맞춤형 화장품 추천, 가상 메이크업 시연, 피부 분석 등 다양한 서비스를 제공하고 있으며, 화장품 분야에서는 사용자가 다양한 제품의 발색과 텍스처를 시도해 볼 수 있는 가상 체험 서비스가 인기를 끌고 있다(Kim, 2020). L’Oréal의 Modiface는 GAN(Generative Adversarial Network)을 활용하여 사용자가 다양한 립스틱 색상을 실시간으로 시도해 볼 수 있는 서비스를 제공하고 있다. 국내 화장품 기업인 아모레퍼시픽은 ‘워너-뷰티 AI’를 통해 생성형 인공지능을 기반으로 이상적인 메이크업을 추천하고, 음성 챗봇 기반의 맞춤형 가상 체험을 제공하는 서비스가 CES 2025(Consumer Electronics Show 2025) 혁신상을 받았다(Amorepacific, 2025). 이처럼 많은 생성형 인공지능을 활용한 뷰티산업의 발전이 이루어지고 있으나 메이크업 실무 현장에서는 아직 생성형 인공지능이 도입된 사례는 존재하지 않는다.
메이크업은 단순히 색을 올리는 작업이 아니라 얼굴형과 윤곽을 고려하여 디테일하게 수정·보완하는 고도의 정밀한 작업이라 볼 수 있다. 따라서 생성형 인공지능을 활용하기 위해선 이러한 고도의 정밀 작업을 생성형 인공지능이 수행 가능한지가 중요하게 작용한다. 선행 연구에서는 생성형 인공지능의 창의성과 효율성에 대한 논의는 다수 존재하나 메이크업 현장에서 요구되는 정밀한 작업 수행 능력에 대한 검증은 부족한 실정이다. 따라서 본 연구는 생성형 인공지능의 수행 능력이 얼마나 세밀한 작업이 가능한가에 대한 분석을 통해 학술적·실용적 측면 모두에 기여하고자 한다.
본 연구는 메이크업 요소 중 전체 이미지를 결정짓는 요소인 입술에 초점을 맞추어 진행하였다. 입술의 색상과 형태는 인상 형성에 유의미한 영향을 미친다고 보고되었으며(An, 2021), 피부색과 입술색의 조합은 인상 형성에 중요한 역할을 한다고 밝혀진 바 있다(Seung & Lee, 2020). 입술 메이크업은 색상, 윤곽, 텍스처 등 다양한 요소가 복합적으로 반영되는 정교한 작업이 요구된다. 따라서 생성형 인공지능이 이러한 세밀한 메이크업 요소를 얼마나 충실히 재현할 수 있는지를 분석하는 것은 학문적·실무적 의미가 크다. 이에 따라 본 연구는 생성형 인공지능이 입술 메이크업의 핵심 요소인 텍스처, 테크닉, 그라데이션 범위를 얼마나 정밀하게 구현할 수 있는지를 확인하는 것을 목적으로 한다.
II. 이론적 배경
1. 생성형 인공지능(Generative AI)의 개념 및 뷰티 산업 현황
생성형 인공지능이란 주어진 학습 데이터를 기반으로 결과물을 생성하는 인공지능 기술을 의미한다. 이는 기존 데이터를 단순히 분류하거나 예측하는 수준을 넘어, 텍스트, 이미지, 음성 등 다양한 형태의 콘텐츠를 직접 생성할 수 있는 고도화된 기술이다. 대표적인 생성형 인공지능 모델로는 텍스트 기반 이미지 생성 모델인 DALL·E, Midjourney, Stable Diffusion, 그리고 텍스트 생성에 특화된 ChatGPT 등이 있다. 이들은 각각의 기술적 특성과 적용 목적에 따라 다양한 산업 분야에 활용되고 있으며, 이러한 모델들은 직관적이며 다양한 스타일의 시각적 결과물을 생성할 수 있다는 점에서 그래픽 디자인, 패션, 뷰티 산업 등에서 두드러진 활용 가능성을 보인다.
최근 인공지능 기술의 심층 학습 알고리즘(GAN 및 VAE 등)의 발전은 창작 및 예술 분야에 깊은 영향을 미치고 있다(Sha & Jung, 2024). 이러한 영향으로 인해 뷰티 산업에서도 생성형 인공지능을 활용한 시뮬레이션 및 맞춤형 서비스가 점차 확대되고 있다. 예를 들어, L’Oréal의 Modiface는 GAN(Generative Adversarial Network)을 기반으로 사용자가 다양한 립 컬러를 실시간으로 가상 체험할 수 있는 서비스를 제공하고 있으며, 국내 기업 아모레퍼시픽은 텍스트 기반 생성형 AI인 ‘워너-뷰티 AI’를 통해 고객의 피부 톤과 선호에 맞춘 메이크업 제안을 실현하고 있다. 그러나 이와 같은 활용은 주로 제품 발색이나 색상 추천 시스템에 국한되고 있으며, 메이크업의 표현 테크닉을 재현하는 수준에는 도달하지 못하고 있다.
본 연구는 이러한 한계를 보완하고자, 생성형 인공지능 중에서도 ChatGPT-4.0의 고차원 언어 해석 능력과 프롬프트 응답 유연성에 주목한다. ChatGPT-4.0은 다른 생성형 인공지능과 달리 긴 문맥을 이해하고, 복잡한 질문에 정교한 답변을 제공하며, 한국어와 같은 비영어권 언어에서의 성능도 크게 향상되었다(Kim & Yoon, 2025). 사용자가 제공하는 프롬프트가 구체적이지 않거나 직관적이지 않아도, 해당 표현의 의도와 목적을 정확히 파악하여 효과적인 출력 결과를 유도할 수 있다.
따라서 본 연구는 ChatGPT-4.0의 언어 해석 역량을 활용하여 생성형 인공지능이 입술 메이크업을 얼마나 정교하게 구현할 수 있는지를 실증적으로 분석하고자 한다. 이는 생성형 인공지능의 실제 메이크업 구현 능력을 구체적으로 검토함으로써 뷰티 산업 내 기술적 활용 가능성을 확장하는 데 기여할 것으로 기대한다.
2. 입술 메이크업 구성 요소: 테크닉, 텍스처, 그라데이션
입술 메이크업은 인상 형성에 유의미한 영향을 미친다(An, 2021). 입술 메이크업의 요소는 형태, 색상, 텍스처 등 다양한 요소들이 포함되고 있다. 본 연구에서는 생성형 AI의 기술적 활용 가능성을 보기 위해 다양한 요소 중 테크닉(Technique), 텍스처(Texture), 그라데이션(Gradation)의 세 가지 요소로 구분한다. 독립적인 요소들은 상호 유기적으로 결합 되어 형성되며, 각 요소를 어떻게 적용하는지에 따라 립 메이크업의 이미지가 최종 결정된다.
테크닉은 입술의 범위를 결정하는 형태적 요소이다. 대표적으로 풀 립(Full-lip), 인커브(In-curve), 아웃커브(Out-curve) 형태 등으로 표현되며, 테크닉은 입술의 윤곽선, 두께, 비율 등을 조절하여 인상을 변화시키는 핵심적인 요소이다. 위 테크닉들은 입술의 1-2mm 범위를 줄이거나, 늘리는 방식에 따라 테크닉의 이름이 붙여진다.
텍스처는 입술 제품의 표면 텍스처와 광택의 정도를 의미하며, 일반적으로 매트(Matte), 글로시(Glossy), 새틴(Satin) 등의 형태로 분류된다. 매트 텍스처는 광택이 없는 부드러운 표면 텍스처를 가지며, 고전적이고 절제된 분위기를 연출하는 데 적합하다. 글로시 텍스처는 광택감이 강조된 텍스처로, 촉촉하고 입체감 있는 입술을 표현하며 생기 있고 생동감 있는 인상을 유도한다. 새틴 텍스처는 매트와 글로시의 중간 형태로, 적당한 윤기를 동반하면서도 자연스러운 발색을 제공하여 부드럽고 우아한 분위기를 연출한다. 이처럼 텍스처는 메이크업의 감성적 이미지 구축과 밀접한 관련이 있으며, 연출 의도에 따라 전략적으로 선택된다.
그라데이션은 컬러의 경계, 발색 농도, 블랜딩 정도에 따라 그 완성도가 달라지기 때문에 매우 세밀한 조정이 요구된다. 예를 들어, 중심부에 진한 색을 바르고 외곽으로 갈수록 색을 옅게 하여 자연스러운 그라데이션 효과를 주거나, 반대로 외곽에 진한 색을 바르고 중심부를 옅게 하여 독특한 이미지를 연출할 수 있다.
본 연구는 생성형 인공지능이 이러한 구성 요소들을 얼마나 정밀하고 자연스럽게 표현할 수 있는지를 실험하고자 한다. 변수 통제를 위해 입술 표본을 생성하였고, 기준은 정확한 수치를 입력하기 위해 표준 입술을 수치로 도출한 선행 연구 Kim & Lee(2009)의 연구를 참고하였다.
III. 내용 및 방법
1. 연구 내용
본 연구는 생성형 인공지능이 입술 메이크업의 세부 요소를 얼마나 정밀하게 구현할 수 있는지를 평가하는 데 목적이 있다. 이를 위해 메이크업 요소를 각각 분리하여 독립적인 실험과 요소들을 조합한 실험을 통해 인공지능의 재현 능력을 분석한다. ChatGPT 4.0의 시각적 출력 결과를 수집하고, 평가 기준을 기반으로 분석함으로써, 생성형 인공지능 활용의 가능성과 한계를 도출하고자 한다. 정확한 연구를 위해 연구 표본을 생성한다. 연구 표본은 Kim & Lee(2009)의 성인 평균 입술 크기를 기준 하여 생성한다. 실험 과정에서 사용되는 컬러는 An(2021)의 가장 선호되는 입술 색상인 레드를 선정하였고, 프롬프트를 입력할 때 정확도를 위해 HTML 컬러 코드 #FF0000로 입력한다.
2. 연구 표본 설정
입술 표본 이미지는 Kim & Lee(2009)의 성인 평균 입술 치수를 기준으로 평균 입술 높이는 22.8±2.7mm, 입술 너비는 49.7±5.0mm, 윗입술은 10.9±1.5mm, 아랫입술은 11.9±1.6mm로 생성하였다. 표본 입술에서는 어떠한 색도 발라지지 않은 입술을 생성했다. 본 연구는 이 수치를 바탕으로 생성형 인공지능의 이미지 생성시 일관된 기준을 적용하여 실험 결과의 신뢰도를 확보하였다(Table 1).
3. ChatGPT 4.0 독립적 요소 이미지 생성
각 요소는 개별 조건으로 설정된 프롬프트를 통해 독립적으로 도출되며, 생성된 결과물은 해당 요소의 구현 정도를 평가하는 데 사용된다(Table 2).
4. ChatGPT 4.0 조합 요소 이미지 생성
앞서 정의한 각 요소들중 그라데이션 범위 3/3은 풀립과 동일하기 때문에 제외하고 조합하여 총 3(텍스처) × 2(테크닉) × 2(그라데이션) = 16가지의 입술 메이크업 조합을 도출한다. 조합된 프롬프트는 생성형 AI에 입력되어 최종 이미지가 생성되며, 각 조합은 실제 메이크업 표현의 다양성을 반영하는 데이터로 활용된다.
5. 평가 방법
본 연구에서는 생성형 인공지능이 입술 메이크업의 세부 요소를 얼마나 정밀하게 재현할 수 있는지를 분석하기 위해 5인의 전문가 집단을 구성하여 평가방법의 객관성과 신뢰성을 확보하였다. 또한 평가의 주관성을 최소화하고 일관성을 확보하기 위해 사전에 정의된 평가 기준표를 기반으로 판단을 수행하였다(Table 3).
평가 항목은 정밀성, 표현력, 재현도의 세 가지로 구분된다. 정밀성은 프롬프트에 명시된 조건이 이미지에 정확하게 반영되었는지를 평가하며, 특히 입술 테크닉에 따라 요구되는 윤곽선 변화(1~2mm 범위 조절), 텍스처 구현의 텍스처 표현, 그리고 그라데이션 범위의 명확한 구분 여부 등을 중심으로 판단하였다. 표현력은 생성된 이미지가 시각적으로 해당 메이크업 요소의 성격을 얼마나 효과적으로 전달하는지를 평가하며, 각 텍스처가 가지는 이미지적 특성이 충분히 시각화되었는지를 중점적으로 분석하였다. 재현도는 실제 메이크업 테크닉과의 유사성 및 현실 적용 가능성을 판단하는 항목으로, 현장에서 적용 가능 수준의 시각적 완성도와 테크닉의 타당성을 기준으로 평가하였다.
IV. 결과 및 고찰
1. 독립 실험 항목별 결과 및 분석
1) 테크닉 결과 및 분석
테크닉 항목에서는 풀립은 정확한 입술 선을 맞춰 이미지를 생성하였으며, 아웃커브는 입술 윤곽의 1~2mm 범위를 늘려 이미지를 생성했다. 반면, 인커브는 입술 선을 1~2mm 안쪽으로 줄이는 표현이 제대로 반영되지 않았으며, 시각적으로도 오히려 일반적인 풀립과 유사하게 출력되는 경우가 많았다. 따라서 생성형 인공지능은 인커브에 대한 정밀성과 재현도는 낮은 수준으로 나타났다(Table 4).
2) 텍스처 결과 및 분석
텍스처의 경우, 매트, 글로시, 새틴 각각의 특성에 따라 광택감이나 텍스처가 뚜렷하게 표현되었으며, 특히 글로시 텍스처의 촉촉한 반사광, 새틴의 은은한 윤기 등 시각적 요소가 비교적 안정적으로 구현되었다. 전반적으로 정밀성과 표현력 모두 우수한 편으로 평가되었다(Table 5).
3) 그라데이션 결과 및 분석
그라데이션 항목에서는 프롬프트 상의 수치적 범위는 인식되는 것으로 보이나, 실제 이미지에서는 표현이 균일하지 않은 부자연스러운 흐름으로 나타나는 경우가 빈번했다. 생성형 인공지능은 그라데이션의 수치적 위치 개념은 인식하나, 이를 부드러운 색상 변화로 자연스럽게 재현하는 데에는 표현력과 재현도의 한계가 드러났다(Table 6).
2. 조합 실험 결과 및 분석
조합 실험은 텍스처, 테크닉, 그라데이션 세 요소를 하나의 프롬프트에 통합하여 동시에 구현하도록 한 실험이다. 요소 중 그라데이션 범위 3/3은 풀립과 동일 요소이기 때문에 제외하고, 나머지 요소를 조합하여 18가지의 입술 메이크업 조합을 도출하였다(Table 7).
텍스처는 조합 실험에서도 여전히 안정적으로 표현되었으며, 독립 실험과 유사한 수준의 정밀성과 표현력을 유지하였다. 이는 텍스처가 색감과 광택 중심의 상대적으로 단순한 시각 요소이기 때문에, 인공지능이 이를 정확히 인식하고 처리하는 것으로 해석된다.
그에 비해 테크닉 요소와 그라데이션의 범위 조합 조건에서 구현력은 현저히 떨어졌다. 특히, 테크닉과 그라데이션 요소 간 충돌 현상이 관찰되었으며, 테크닉 지정이 그라데이션 범위에 충돌하면서 정해진 영역에 정확한 범위의 표현되지 않는 경우가 많았다. 테크닉 영역에 범위에 맞는 자연스러운 그라데이션을 생성해야 하지만, 생성형 인공지능은 자연스러운 그라데이션 보다 테크닉 범위에 집중하는 경향을 보였다. 따라서 아직 인공지능은 지정 범위에 자연스러운 그라데이션에 어려움을 보인다.
본 연구에서는 정책 위반 사유로 이미지 생성 자체가 거부되는 경우가 다발적으로 발생하였다. 이에 관련하여 오류가 발생하였을 때 프롬프트를 통해 원인 규명을 요청하였다. 생성형 인공지능은 생성 거부 원인에 대해 입술을 포함한 특정 신체 부위에 대한 이미지 생성 요청을 자동으로 제한하는 정책을 적용하고 있다고 답했다. 또한 인체 특정 부위만을 강조하거나 클로즈업한 이미지 요청, 과도하게 사실적인 신체 묘사 요청, 외형을 수정하거나 조작하는 요청에서 민감한 요소를 포함할 때 이런 요청들은 의도와 관계없이 오용되거나 불쾌감을 줄 수 있어, 예방 차원에서 제한되고 있다고 답했다.
V. 결 론
본 연구는 생성형 인공지능이 입술 메이크업의 세부 요소인 텍스처, 테크닉, 그라데이션을 시각적으로 얼마나 정밀하게 구현할 수 있는지를 평가하였다. 일인 연구자의 한계를 보완하기 위해 표본 입술을 생성하여 진행하였다. 생성형 인공지능의 구현 능력을 평가하기 위해 독립 실험과 조합 실험의 이중 구조를 적용했다. 정확한 평가를 위해 사전 정의된 기준에 따라 정밀성, 표현력, 재현도 측면에서 인공지능이 생성한 이미지를 분석하였다.
독립 실험 결과 생성형 인공지능은 텍스처 재현에 있어 시각적으로 정확한 표현을 보였다. 그러나 테크닉의 범위 조절과 그라데이션의 자연스러운 색상 흐름 구현에는 한계를 드러냈다. 특히 조합 실험에서 세 요소가 동시에 주어지는 경우 요소끼리 간섭 현상으로 인해 전체적인 재현 정확도가 저하되는 경향이 나타났다. 또한 실험 과정에서 신체 일부의 클로즈업, 과도한 사실 묘사, 외형 조작 등 플랫폼의 정책적 이유로 이미지 생성이 거부되었다.
본 연구는 생성형 인공지능이 메이크업과 같은 세밀한 작업 표현 영역에서 어느 정도까지 재현 가능성을 지니고 있는지를 실험적으로 검증한 점에서 의의가 있다. 특히 입술 메이크업에 초점을 맞추어 세부 요소별 표현 능력을 분석함으로써, 생성형 인공지능의 기술적 한계와 가능성을 규명하였다. 또한, 단일 연구자가 수행한 실험임에도 불구하고 독립 실험을 통해 기준값을 설정하고, 이를 기반으로 조합 실험을 진행함으로써 일관성과 분석 타당성을 확보하였다. 연구자는 프롬프트 설계와 평가 기준을 체계화하여 생성형 인공지능 실험에서의 실용적 접근 모델을 제시하였다.
향후 연구에서는 다수의 평가자를 포함하여 평가의 객관성과 일반화를 도모할 필요가 있으며, 프롬프트 설계에 있어 시각적 표현을 더욱 정교하게 유도할 수 있는 프롬프트 연구가 병행될 수 있다. 또한, 현재 이미지 생성 플랫폼에서의 정책적 제한이 연구 설계의 기술적 구현에 영향을 주고 있음을 고려하여, 플랫폼별 정책의 차이를 비교하거나, 후처리 기반의 보정 기술을 접목한 실험 설계도 가능할 것이다. 나아가 텍스처, 테크닉, 그라데이션 외에도 조명, 피부 톤, 주변 구조 등 복합적인 시각 변수들을 포함한 고차원적 생성 실험으로 확장함으로써, 생성형 인공지능의 뷰티 산업 적용 가능성을 더욱 심도 있게 탐색할 수 있을 것이다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
