AI Architectural Visualization Process Using ComfyUI and Stable Diffusion

ComfyUI와 Stable Diffusion을 활용한 AI 건축 시각화 프로세스 연구

매스 스터디부터 거장의 스타일 구현, 입면&인테리어 공간 시뮬레이션 및 정밀 제어

Yeo Sanggu

First author, Department of Architectural Engineering, Kunsan National University

Keyword

Generative AI, Architectural Visualization, ComfyUI, Stable Diffusion, Text-to-Image AI, Image2Image, ControlNet, Depth Map, IPAdapter, Segment, Inpainting, Outpainting, Material Variation, Promport Engineering

1. 서론: 건축 시각화의 알고리즘적 전환과 생성형 AI의 역할

1.1 건축 표상(Representation)의 진화와 AI의 등장

건축 디자인 프로세스에서 시각화(Visualization)는 단순한 결과물의 제시를 넘어, 설계 의도를 검증하고 발전시키는 핵심적인 사고의 도구로 기능해왔습니다. 20세기 후반, 수작업 제도(Hand Drafting)에서 컴퓨터 지원 설계(CAD)로의 전환이 건축의 생산성을 혁신했다면, 현재 우리가 목도하고 있는 생성형 인공지능(Generative AI)의 도입은 건축적 상상력의 경계를 확장하고 시각화의 물리적 한계를 극복하는 제2의 디지털 혁명이라 할 수 있습니다.1 전통적인 렌더링 방식, 즉 V-Ray나 Corona와 같은 물리 기반 렌더링(Physically Based Rendering, PBR) 엔진은 광자의 물리적 거동을 시뮬레이션하여 이미지를 산출합니다. 이 방식은 빛의 굴절, 반사, 재질의 물리적 속성을 정교하게 계산하여 높은 사실성을 보장하지만, 막대한 연산 자원과 시간을 요구하며, 설계 변경 시마다 전체 씬(Scene)을 다시 계산해야 하는 비효율성을 내포하고 있습니다.3

반면, Stable Diffusion과 같은 잠재 확산 모델(Latent Diffusion Models, LDMs)은 물리학이 아닌 데이터 패턴의 확률론적 재구성을 통해 이미지를 생성합니다. 이는 AI가 수십억 장의 이미지 데이터셋에서 학습한 건축적 형태, 재질, 조명의 상관관계를 바탕으로, 사용자의 텍스트 프롬프트나 입력 이미지를 해석하여 새로운 시각적 정보를 '환각(Hallucination)'해내는 방식입니다.2 이러한 접근은 초기 매스 스터디 단계에서 추상적인 아이디어를 구체적인 실사 이미지로 변환하는 데 소요되는 시간을 수 시간에서 단 몇 초로 단축시키며, 디자이너가 무수한 대안을 실시간으로 탐색할 수 있는 '반복적 시각화(Iterative Visualization)' 환경을 제공합니다.5

1.2 연구의 목적 및 범위

그러나 이러한 확률론적 생성 방식은 건축 실무에서 치명적인 약점을 가집니다. 바로 '제어 가능성(Controllability)'의 부재입니다. 건축가는 무작위로 생성된 아름다운 이미지가 아닌, 구조적 정합성을 유지하고, 특정 재료를 반영하며, 클라이언트의 요구사항을 정확히 구현한 결과물을 필요로 합니다. 본 보고서는 이러한 생성형 AI의 한계를 극복하고, 이를 전문적인 건축 시각화 도구로 승화시키기 위한 구체적인 프로세스를 연구합니다. 특히, 노드 기반의 인터페이스를 통해 최고의 제어권을 제공하는 ComfyUI 환경을 중심으로, ControlNet, IPAdapter, LoRA 등의 핵심 기술을 활용하여 건축 거장의 스타일을 모사하거나, 초기 매스를 포토리얼리스틱한 입면으로 발전시키고, 빈 공간을 가구로 채우는 인테리어 시뮬레이션 워크플로우를 심층 분석합니다.5

2. ComfyUI 생태계와 건축적 로직의 통합

2.1 노드 기반 패러다임과 파라메트릭 디자인의 유사성

건축 분야에서 ComfyUI가 Stable Diffusion의 표준 인터페이스로 자리 잡게 된 배경에는 건축가들에게 익숙한 '파라메트릭 디자인(Parametric Design)'의 로직이 있습니다. Automatic1111과 같은 웹 UI가 고정된 슬라이더와 버튼으로 구성된 선형적 도구라면, ComfyUI는 데이터의 흐름을 시각적으로 연결하는 노드 그래프(Node Graph) 방식을 채택하고 있습니다.5 이는 Rhino의 Grasshopper나 Autodesk의 Dynamo와 유사한 구조로, 건축가는 이미지 생성의 각 단계를 모듈화하고, 데이터(Latent, Tensor, Conditioning)가 어떻게 변환되어 최종 이미지로 도출되는지를 투명하게 제어할 수 있습니다.6

이러한 구조적 특성은 복잡한 건축 시각화 파이프라인을 구축하는 데 필수적입니다. 예를 들어, 건물의 윤곽선은 유지하되 재질만 변경하거나, 특정 영역(창문, 문)에만 다른 프롬프트를 적용하는 'Inpainting' 작업을 수행할 때, ComfyUI는 마스크 데이터와 이미지 데이터를 분리하여 정밀하게 병합할 수 있는 유연성을 제공합니다.8 또한, 생성된 이미지를 다시 입력으로 사용하여 해상도를 높이는 'Upscaling' 파이프라인이나, 여러 ControlNet을 중첩하여 구조와 깊이 정보를 동시에 제어하는 복합 워크플로우를 구성할 수 있습니다.5

2.2 로컬 구동의 중요성과 데이터 주권

전문적인 건축 실무에서 클라우드 기반 AI 서비스(Midjourney, DALL-E 등)의 사용은 데이터 보안 문제로 인해 제한적일 수 있습니다. ComfyUI는 사용자의 로컬 하드웨어(주로 NVIDIA GPU)에서 오프라인으로 구동되므로, 프로젝트의 기밀 정보나 독창적인 디자인 데이터가 외부 서버로 유출될 위험이 없습니다.10 이는 보안이 중시되는 대형 프로젝트나 현상설계(Competition)에서 필수적인 요소입니다. 또한, 로컬 구동은 구독료나 생성 횟수의 제한 없이 무제한으로 이미지를 생성할 수 있는 경제적 이점을 제공하며, '배치 프로세싱(Batch Processing)'을 통해 밤새 수백 장의 디자인 대안을 생성해두는 '브루트 포스 아이데이션(Brute Force Ideation)'을 가능하게 합니다.5

2.3 CAD/BIM과의 하이브리드 워크플로우

본 연구에서 제안하는 ComfyUI 활용 프로세스는 기존의 CAD/BIM 도구를 대체하는 것이 아니라 보완하고 강화하는 형태입니다. 건축가는 Revit, Rhino, SketchUp 등에서 작성된 기본적인 매스 모델이나 스크린샷을 ComfyUI의 입력 이미지로 사용합니다. 이 과정에서 ComfyUI는 단순한 필터가 아닌, 3D 지오메트리를 해석하고 빛과 재질을 입히는 'AI 렌더러'로서 작동합니다.11 최근 연구들은 Grasshopper 스크립트와 ComfyUI를 연동하여, Rhino에서 매스 형태를 변경하면 실시간으로 AI 렌더링이 업데이트되는 '실시간 피드백 루프'를 구현하는 단계에 이르렀습니다.6

3. 핵심 제어 기술 분석: ControlNet의 건축적 응용

Stable Diffusion의 가장 큰 혁신 중 하나인 ControlNet은 텍스트 프롬프트만으로는 제어할 수 없는 공간적 구성을 강제하는 신경망 구조입니다.12 ControlNet은 사전 학습된 확산 모델의 가중치를 고정한 상태에서, 추가적인 조건(Edge map, Depth map 등)을 학습하는 훈련 가능한 사본을 연결하는 방식으로 작동합니다. 이를 통해 건축가는 AI가 생성하는 이미지의 구도, 투시, 형태를 원본 스케치나 3D 모델과 완벽하게 일치시킬 수 있습니다.14 건축 시각화에서 가장 빈번하게 사용되는 ControlNet 모델들을 비교 분석하면 다음과 같습니다.

3.1 MLSD (Mobile Line Segment Detection): 현대 건축의 정밀함

MLSD는 이미지 내의 직선 성분만을 감지하고 곡선이나 불규칙한 노이즈를 무시하도록 설계된 전처리 모델입니다.16

작동 원리: 입력 이미지에서 픽셀 간의 변화를 감지하여 긴 직선 세그먼트를 추출하고, 이를 흑백의 라인 맵으로 변환하여 확산 모델에 전달합니다.
건축적 강점: 모더니즘 건축, 오피스 빌딩, 인테리어 투시도와 같이 직선과 직각이 지배적인 디자인에 최적화되어 있습니다. 거친 손 스케치를 입력하더라도 MLSD를 거치면 떨리는 선들이 반듯한 직선으로 보정되어, 구조적으로 안정된 건물을 생성하게 합니다.18
한계: 곡선을 인식하지 못하기 때문에 자하 하디드(Zaha Hadid)와 같은 유기적 건축물이나 조경 디자인에는 적합하지 않습니다. 곡선이 끊어진 직선들의 집합으로 표현되어 디자인 의도가 왜곡될 수 있습니다.18

3.2 Canny Edge: 디테일의 보존

Canny 알고리즘은 이미지 내의 급격한 명암 변화(Gradient)를 감지하여 외곽선을 추출합니다.

작동 원리: 픽셀 강도의 변화율이 높은 지점을 엣지로 인식하여, 매우 상세한 선화(Line art)를 생성합니다.
건축적 강점: 입력 이미지의 모든 디테일을 보존합니다. 가구의 장식, 나뭇잎의 질감, 복잡한 파사드 패턴 등을 그대로 살려내며, 기존 렌더링 이미지를 다른 스타일로 변환(Re-styling)할 때 원본의 구성을 완벽하게 유지하는 데 유리합니다.19
한계: 너무 많은 정보를 담고 있어 '노이즈'가 될 수 있습니다. 초기 스케치의 불필요한 선이나 지우개 자국까지 엣지로 인식하여, 최종 결과물에 원치 않는 균열이나 패턴으로 나타날 수 있습니다. 또한, 명암 대비가 낮은 영역에서는 엣지를 놓칠 수 있습니다.19

3.3 Depth Map (Midas / Depth Anything): 볼륨과 깊이의 이해

Depth 모델은 이미지의 각 픽셀이 카메라로부터 얼마나 떨어져 있는지를 명도(회색조)로 표현하는 심도 맵을 생성합니다.

작동 원리: 가까운 물체는 밝게, 먼 물체는 어둡게 표현하여 3차원적인 공간 정보를 AI에게 제공합니다.
건축적 강점: 형태의 '윤곽'보다는 '덩어리감(Massing)'을 인식시킬 때 가장 강력합니다. 구체적인 디테일(창문 프레임, 벽돌 줄눈 등)은 생략하고 전체적인 건물의 형태와 전경/배경의 관계만을 유지하므로, AI가 재질이나 디테일을 창의적으로 채워 넣을 수 있는 자유도를 부여합니다.12 이는 초기 매스 스터디 단계에서 형태는 유지하되 외관 디자인을 다양하게 탐색하고자 할 때 이상적입니다.
한계: 해상도가 낮을 경우 얇은 부재(난간, 얇은 기둥)가 심도 맵에서 사라지거나 뭉개질 수 있습니다.

표 1: 건축 시각화를 위한 ControlNet 모델 비교 분석

4. 프로세스 연구 1: 초기 매스에서 포토리얼리스틱 렌더링까지

건축 디자인의 초기 단계인 '매스 스터디(Massing Study)'에서 최종 렌더링으로 나아가는 과정은 AI 시각화의 가장 극적인 활용처입니다. 이 프로세스는 단순한 백색 박스 모델을 빛과 재질이 살아있는 실사 이미지로 변환하는 'Image-to-Image (Img2Img)' 워크플로우를 기반으로 합니다.

4.1 워크플로우 구성 및 단계

전문적인 ComfyUI 워크플로우는 다음과 같은 단계로 구성됩니다:

입력 단계 (Input): SketchUp이나 Rhino에서 모델링한 단순한 매스 모델의 스크린샷을 준비합니다. 이때 뷰포트는 음영이 없는 'Hidden Line' 모드나 단순한 'Shaded' 모드가 좋습니다.
전처리 단계 (Preprocessing & ControlNet):

입력 이미지를 두 개의 ControlNet 경로로 분기합니다.
경로 A (Depth): Depth Anything V2 전처리기를 사용하여 심도 맵을 생성합니다. 이는 건물의 입체감과 전후 관계를 정의합니다. 가중치(Strength)는 0.6 ~ 0.8 정도로 설정하여, AI가 3차원 형태를 인지하되 표면 질감은 자유롭게 생성하도록 합니다.22
경로 B (MLSD): MLSD 전처리기를 사용하여 건물의 주요 구조선(Structural Lines)을 추출합니다. 이는 창문, 슬래브, 기둥의 수직/수평을 강제합니다. 가중치는 0.4 ~ 0.6으로 설정하여, 구조는 잡되 너무 경직된 선이 생기지 않도록 조절합니다.23

프롬프트 엔지니어링 (Prompting):

긍정 프롬프트 (Positive): "Modernist concrete architecture, glass facade, sunset lighting, hyper-realistic, 8k, architectural photography" 등 스타일과 분위기를 정의합니다.
부정 프롬프트 (Negative): "Low quality, blurry, deformed structures, watermark, text" 등을 입력하여 품질 저하를 방지합니다.

샘플링 (KSampler):

Checkpoint: 건축에 특화된 실사 모델(예: realisticVision, cyberrealistic, SDXL)을 사용합니다.
Denoising Strength: Img2Img 작업 시 가장 중요한 변수입니다. 0.5 ~ 0.7 사이의 값이 권장됩니다. 0.5 미만은 원본(백색 모델)과 너무 비슷하여 재질감이 살아나지 않고, 0.7 이상은 원본의 형태를 무시하고 AI가 건물을 멋대로 변경할 위험이 있습니다.22
Sampler: DPM++ 2M Karras나 Euler a가 건축적 디테일 표현에 유리합니다.

업스케일링 (Upscaling):

생성된 이미지는 보통 1024x1024 수준이므로, Ultimate SD Upscale 노드를 사용하여 4K 해상도로 확장합니다. 이때 ControlNet Tile 모델을 적용하면, 이미지를 작은 타일로 나누어 디테일을 추가(Resample)하면서도 전체적인 구도가 깨지는 것을 방지할 수 있습니다.25

4.2 매스 스터디에서의 변수 제어

이 프로세스에서 건축가는 '프롬프트'를 변경함으로써 동일한 매스에 대해 다양한 외장재 대안(벽돌, 콘크리트, 목재 패널 등)을 순식간에 테스트할 수 있습니다. Depth 맵이 형태를 고정하고 있기 때문에, 재료가 바뀌어도 건물의 비례와 투시는 완벽하게 유지됩니다. 이는 클라이언트 미팅 중에 실시간으로 피드백을 반영하여 디자인을 수정하는 '라이브 렌더링'을 가능하게 합니다.5

5. 스타일 전이 및 일관성 기술: LoRA와 IPAdapter의 비교 연구

건축 시각화에서 단순히 "사실적인" 이미지를 넘어, 특정 건축가(예: 자하 하디드, 타다오 안도)의 스타일이나 특정 프로젝트의 분위기를 모사해야 하는 경우가 많습니다. 이를 위해 사용되는 두 가지 핵심 기술이 **LoRA (Low-Rank Adaptation)**와 **IPAdapter (Image Prompt Adapter)**입니다.

5.1 LoRA: 구조적 스타일의 학습과 적용

LoRA는 거대 언어 모델이나 확산 모델을 특정 데이터셋에 대해 미세 조정(Fine-tuning)한 경량화된 가중치 파일입니다.28 건축 분야에서 LoRA는 특정 건축가의 조형 언어, 즉 곡선을 쓰는 방식, 재료를 사용하는 패턴, 창호를 내는 방식 등의 '구조적 논리'를 모델에게 학습시키는 데 사용됩니다.

자하 하디드(Zaha Hadid) 스타일 구현:

ZahaHadid4Architect와 같은 LoRA 모델29을 사용합니다.
프롬프트에는 "parametric", "fluidity", "organic form", "curvilinear" 등의 키워드를 사용합니다.
ControlNet 전략: 자하 하디드의 유기적인 곡선을 표현하기 위해서는 직선을 강제하는 MLSD를 피해야 합니다. 대신 **SoftEdge (HED)**나 Depth 모델을 사용하여, 곡면의 흐름을 부드럽게 유도해야 합니다. Canny를 사용할 경우 임계값(Threshold)을 낮게 설정하여 부드러운 곡선이 끊기지 않도록 해야 합니다.19
결과적으로 AI는 벽과 천장이 하나로 이어지는 자하 하디드 특유의 '심리스(Seamless)'한 공간감을 생성해냅니다.

타다오 안도(Tadao Ando) 스타일 구현:

TadaoAndo_Concrete LoRA나 노출 콘크리트 질감에 특화된 LoRA를 사용합니다.
프롬프트: "Exposed smooth concrete", "tie holes(콘크리트 거푸집 구멍)", "play of light and shadow(빛과 그림자의 유희)", "minimalist", "water feature" 등이 필수적입니다.30
ControlNet 전략: 안도 건축의 핵심은 기하학적 순수성과 날카로운 엣지입니다. 따라서 MLSD 사용이 필수적이며, 이를 통해 콘크리트 벽체의 수직성과 거푸집 라인의 정교함을 살려야 합니다.
조명 연출: 안도 건축의 특징인 '어둠 속의 빛'을 표현하기 위해, 렌더링의 명암비(Contrast)를 높이고 "volumetric lighting", "god rays" 등의 프롬프트를 추가합니다.32

5.2 IPAdapter: 이미지 기반의 직관적 스타일 전이

LoRA가 사전 학습된 파일이 필요한 반면, IPAdapter는 사용자가 제공한 '참조 이미지(Reference Image)'의 스타일(색감, 질감, 분위기)을 즉각적으로 추출하여 생성 과정에 주입하는 기술입니다.33

작동 메커니즘: IPAdapter는 이미지 인코더(CLIP Vision Model)를 사용하여 참조 이미지의 특징 벡터(Embedding)를 추출하고, 이를 교차 어텐션(Cross-Attention) 레이어를 통해 확산 모델에 전달합니다. 이는 텍스트 프롬프트보다 훨씬 풍부한 시각적 정보를 모델에 전달할 수 있게 합니다.35
활용 사례: 건축가가 클라이언트로부터 "이 사진 같은 분위기로 해주세요"라는 요청을 받았을 때, 해당 사진을 IPAdapter에 연결하기만 하면 됩니다. 텍스트로 "따뜻한 나무 느낌"이라고 쓰는 것보다, 실제 나무 인테리어 사진을 IPAdapter에 넣는 것이 훨씬 정확한 톤앤매너를 구현합니다.
가중치 설정: IPAdapter의 가중치가 너무 높으면(예: 1.0 이상) 프롬프트나 ControlNet의 구조적 제어를 무시하고 참조 이미지를 그대로 복사하려는 경향이 있습니다. 건축적 일관성을 유지하면서 스타일만 입히기 위해서는 가중치를 0.5 ~ 0.8 사이로 조절하고, Style Transfer 모드를 사용하는 것이 좋습니다.37

5.3 LoRA vs. IPAdapter 비교 및 하이브리드 전략

연구 결과, LoRA는 형태적 문법(Morphology)을 모사하는 데 유리하고, IPAdapter는 표면적 질감과 분위기(Atmosphere)를 모사하는 데 유리한 것으로 나타났습니다.34 따라서 최상의 결과를 위한 '하이브리드 전략'은 다음과 같습니다:

구조: 3D 모델 + ControlNet (Depth/MLSD)으로 형태 고정.
형태적 스타일: 자하 하디드 LoRA로 곡선적 조형 언어 주입.
분위기/재질: 특정 렌더링 이미지나 사진을 IPAdapter로 입력하여 색감과 조명 스타일 전이.
이 조합을 통해 건축가는 구조적 정확성, 조형적 스타일, 시각적 분위기를 동시에 제어할 수 있습니다.

표 2: LoRA와 IPAdapter의 건축적 활용 비교

6. 프로세스 연구 3: 인테리어 시뮬레이션 및 가상 스테이징

인테리어 디자인 분야에서 AI의 가장 실용적인 적용은 빈 방(Empty Room)의 사진이나 골조 상태의 현장 사진에 가구와 마감재를 입혀 완성된 공간을 보여주는 '가상 스테이징(Virtual Staging)'입니다.

6.1 공간 인식과 투시의 보존

인테리어 시뮬레이션의 핵심은 기존 공간의 바닥, 벽, 천장 경계를 정확히 인식하고, 새로 생성되는 가구가 공간의 투시(Perspective)에 맞게 배치되도록 하는 것입니다.

Segmentation ControlNet: 이 모델은 이미지를 의미론적 영역(Semantic Segments)으로 분할합니다. 바닥, 벽, 천장, 창문 등을 색상 코드로 구분하여 인식합니다. 이를 통해 "바닥에만 러그를 깔아라" 또는 "벽지 색만 바꿔라"와 같은 정밀한 제어가 가능해집니다. 가구가 벽을 뚫고 들어가거나 천장에 붙는 오류를 방지하는 데 필수적입니다.12
MLSD의 역할: 실내 공간은 대부분 직선(벽 모서리, 몰딩, 창틀)으로 이루어져 있습니다. MLSD를 적용하면 원본 사진의 소실점과 투시 라인을 강력하게 고정할 수 있어, 새로 생성된 가구가 바닥에 안정적으로 안착한 것처럼 보이게 합니다.17

6.2 Inpaint-Upload 및 Latent Noise Injection 기법

ComfyUI에서 빈 방을 채우는 가장 효과적인 기법은 'Inpaint-Upload' 방식입니다.

마스킹: 사용자가 가구를 배치하고 싶은 영역(예: 바닥의 중앙)을 마스크로 지정합니다.
프롬프트: "Modern leather sofa, coffee table, cozy atmosphere" 등을 입력합니다.
Latent Noise Injection: 마스크 영역에만 노이즈를 주입하고, 주변(벽, 창문)의 픽셀 정보는 보존하면서 노이즈를 제거하는 과정을 거칩니다. 이때 VAE Encode (for Inpainting) 노드를 사용하여 마스크 경계면이 자연스럽게 블렌딩되도록 처리합니다.9
ControlNet 적용: 이때도 Depth나 MLSD ControlNet을 활성화해두면, 생성되는 소파의 형태가 방의 투시 각도와 일치하게 됩니다.

6.3 3D 공간의 깊이 이해와 조명 통합

단순히 가구 이미지를 합성하는 것과 달리, Stable Diffusion은 조명을 시뮬레이션합니다. 원본 사진의 창문에서 들어오는 빛의 방향을 AI가 분석(혹은 프롬프트로 지정)하여, 생성된 가구에 적절한 그림자와 하이라이트를 생성합니다. Depth ControlNet은 가구의 전후 관계를 정의하여, 앞에 있는 의자가 뒤에 있는 테이블을 가리는 '오클루전(Occlusion)' 효과를 자연스럽게 구현합니다.22

7. 미래 전망: 멀티모달 AI와 생성형 디자인의 진화

7.1 Nano Banana (Gemini 2.5)와 프롬프트 기반 편집의 부상

최근 구글이 공개한 Nano Banana (Gemini 2.5 Flash Image) 모델은 ComfyUI와 같은 복잡한 노드 구조 없이, 자연어 대화만으로 이미지를 정교하게 편집할 수 있는 가능성을 보여줍니다.42 기존에는 "왼쪽에 소파를 추가해"라는 명령을 수행하기 위해 마스킹과 인페인팅 노드를 설정해야 했지만, 멀티모달(Multimodal) 모델인 Nano Banana는 이미지 내의 "왼쪽"과 "바닥"이라는 공간적 맥락을 스스로 이해하고, 별도의 마스킹 없이 객체를 추가하거나 제거할 수 있습니다.44 이는 AI 시각화 도구의 진입 장벽을 획기적으로 낮추고, 건축가와 AI가 실시간으로 대화하듯 디자인을 수정하는 미래를 예고합니다.

7.2 효율성과 창의성의 역설 (Efficiency-Creativity Paradox)

AI 도구의 도입은 시각화 효율성을 극대화하지만, 동시에 디자인의 획일화라는 위험을 내포하고 있습니다. 모든 건축가가 동일한 LoRA 모델(예: 자하 하디드 스타일)이나 인기 있는 IPAdapter 레퍼런스를 사용할 경우, 전 세계의 건축 디자인 스타일이 수렴(Convergence)할 수 있습니다.46 또한, AI가 생성한 그럴듯한 구조물(Hallucinated Structure)이 실제 공학적으로는 불가능한 형태일 수 있다는 점은 실무적 리스크입니다. 따라서 건축가는 AI를 단순한 '생성기'가 아닌, 비판적으로 선별하고 큐레이션(Curation)해야 할 대상으로 인식해야 하며, ComfyUI와 같은 도구를 통해 AI의 결과물을 공학적, 미학적 기준에 맞춰 통제하는 능력이 더욱 중요해질 것입니다.48

8. 결론

본 연구를 통해 ComfyUI와 Stable Diffusion을 활용한 건축 시각화 프로세스는 단순한 이미지 생성을 넘어, 설계 프로세스의 효율성과 창의성을 동시에 증진시키는 강력한 방법론임이 확인되었습니다. ControlNet MLSD는 건축의 기하학적 정밀함을 보장하고, Depth Map은 공간의 볼륨을 유지하며, LoRA와 IPAdapter는 건축적 스타일과 분위기를 자유자재로 제어할 수 있게 해줍니다.

매스 스터디 단계에서의 신속한 대안 탐색부터, 실시 설계 단계의 재질 시뮬레이션, 그리고 마케팅을 위한 인테리어 스테이징에 이르기까지, AI는 건축가의 업무 흐름 전반에 깊숙이 침투하고 있습니다. 앞으로 Nano Banana와 같은 차세대 모델의 등장으로 기술적 장벽은 더욱 낮아질 것이나, 그럴수록 도구(Tool)에 종속되지 않고 도구를 지휘(Orchestrate)하는 건축가의 통찰력과 '프롬프트 엔지니어링' 능력, 그리고 ComfyUI와 같은 정밀 제어 도구에 대한 숙련도가 미래 건축가의 핵심 역량이 될 것입니다.