Architectural visualization process using Flux-based generative AI

Architectural visualization process using Flux-based generative AI

Flux 기반의 생성형 AI를 활용한 건축 시각화 프로세스 연구 

Yeo Sanggu

First author, Department of Architectural Engineering, Kunsan National University

Keyword Generative AI, Architectural Visualization, FLUX, Text-to-Image AI, Inpainting, Material Variation, Computational Design

1. 서론 

1.1 연구 배경 및 목적

최근 건축 설계 분야에서는 생성형 인공지능(Generative AI)의 활용이 급격히 증가하고 있다. 특히 텍스트를 기반으로 이미지를 생성하는 Text-to-Image 모델은 건축 시각화 초기단계에서 유용한 도구로 자리잡고 있다. 이러한 흐름 속에서, FLUX.1에서 제공하는 Pro 모델은 사용자가 텍스트, 이미지, 마스킹, 환경 설정 등을 조합하여 시각적 결과를 반복적으로 수정하고 확장할 수 있는 모델로 주목받고 있다.

본 연구는 FLUX Playground의 주요 기능(GENERATE, EDIT, FILL, EXPAND)을 실제 건축 시각화 실험에 적용하여, 각 기능이 건축 설계 프로세스에 어떻게 기여할 수 있는지를 분석하는 것을 목적으로 한다. 특히 다양한 Base Image 생성 방식을 실험하고, 그 결과를 후속 기능에 연계함으로써 FLUX의 실무 활용 가능성을 다층적으로 검토한다.

2. 선행연구 및 이론적 배경

2.1 건축 설계에서의 Generative AI 활용 사례

기존에는 MidJourney, DALL·E, Stable Diffusion 기반의 이미지 생성 툴이 건축 설계 아이디어 구상, 컨셉 스케치 보완, 마감재 실험 등의 용도로 제한적으로 사용되어 왔다. 하지만 텍스트 해석의 불확실성, 정확한 형상 유지의 어려움, 맥락 인식 부족 등의 한계가 존재했다.

2.2 FLUX의 기술적 차별성

FLUX Playground는 Pro 기능을 통해 다양한 편집 기능(Material/Lighting/Season/Timezone), 손상 보완(Fill), 주변 확장(Outpainting) 등 기존 툴 대비 상대적으로 직관적인 시각화 반복 구조를 제공한다. 본 연구는 이러한 기능들을 건축 프로젝트에 실제 적용하고 기능별 건축적 유효성을 분석하고자 한다.

3. 연구 방법

3.1 대상 프로젝트 및 실험 흐름

본 실험은 가상의 설계 프로젝트로 설정하고, 아래 네 가지 방식으로 Base Image를 생성한 후, FLUX Pro의 주요 기능을 적용하여 시각화 실험을 수행하였다.

[Base Image 생성 방식]

1. 스케치 기반 이미지 (Sketch → ControlNet 기반 이미지 변환)

2. 3D 모델링 기반 MCP 실험 (Blender + Mesh Capture Prompt 사용)

3. FLUX 텍스트 기반 이미지 생성 (Generate 기능)

4. 3D 모델링 + 실사 렌더링 (Rhino/SketchUp + D5 Render)

Material Variation 

Change the modern building by the street to [       ] material for the facade. 

Environmental, seasonal, and time zone Variation 

Inpainting 

Outpainting 

4. 실험 결과 및 분석

4.1 기능별 시각화 결과 비교

본 연구에서는 FLUX Playground의 주요 기능(GENERATE, EDIT, FILL, EXPAND)을 건축 시각화 맥락에서 분석하였다. 각 기능은 동일한 base image에 적용되었으며, 다음과 같은 결과가 도출되었다.

(1) Generate

텍스트 기반 이미지 생성 기능은 ‘a wooden cultural center with pitched roof and open glass facade’라는 prompt로 실행되었으며, 한 장의 이미지로 건축 개념을 시각화하는 데 성공하였다. 특히 공간의 분위기, 재질, 외형 비례 등이 설계 초기 스케치와 유사하게 표현되었다.

(2) Edit – Material Variation

기본 이미지에 대해 wood, corten steel, glass, concrete, stone, polished bronze 등 다양한 마감재를 적용한 결과, 설계자가 재료에 따른 분위기 차이를 빠르게 비교할 수 있는 환경이 조성되었다. MidJourney나 Stable Diffusion 기반 툴에 비해 마감재의 일관성과 볼륨 감각이 상대적으로 우수하였다.

(3) Edit – Environmental/Seasonal/Timezone

시간대(낮, 석양, 야경), 계절(눈이 쌓인 겨울 장면), 날씨(안개 낀 숲) 등을 바꾸었을 때, 광원과 그림자의 변화가 사실적으로 표현되었으며, 건축물의 외관이 가지는 분위기적 특성을 다양한 시점에서 평가할 수 있었다.

(4) Fill (Inpainting)

건물의 일부 파사드를 마스킹한 후 'wooden facade with horizontal louvers'라는 prompt를 적용하였을 때, 마감은 비교적 일관되게 재생성되었으나, 경계 부위에서의 왜곡이나 창호 재구성 오류가 발견되었다. 이는 복잡한 디테일을 포함한 리노베이션 시각화에서는 추가적인 조정 필요를 시사한다.

(5) Expand (Outpainting)

기존 건물 외곽으로 도로, 나무, 작은 광장 등을 확장한 실험에서, 전체 컨텍스트가 자연스럽게 이어지는 경우도 있었으나, 가끔씩 주변 환경이 모호하거나 건물 스케일이 축소되는 현상이 나타났다. 이는 도시 맥락을 표현하는 데 한계가 있을 수 있음을 의미한다.

5. 건축 실무 및 교육적 활용 가능성

5.1 설계 스튜디오 및 프레젠테이션 도구로의 활용

FLUX Playground의 시각화 기능은 **설계 과정에서의 반복(iteration)**과 프레젠테이션 구성 능력을 향상시키는 데 매우 효과적이다. 특히 건축학과의 설계 스튜디오 수업에서 개념적 모델을 시각화하거나, 클라이언트 미팅 시 다양한 버전의 재료 및 분위기 옵션을 제시할 수 있다.

5.2 공모전 및 초기 아이디어 발현 도구

건축 공모전 준비 과정에서, 하나의 매스를 기반으로 다양한 재료와 환경을 빠르게 실험하고 고품질 이미지를 확보할 수 있다는 점은 디자인 반복과 스토리텔링에 큰 강점을 제공한다.

5.3 실무에서의 활용

실제 건축 설계 실무에서는 클라이언트에게 다양한 아이디어를 시각적으로 설명해야 하며, 이 과정에서 FLUX 기능은 기획안 제안, 리노베이션 시뮬레이션, 브로슈어 제작 등에서 활용 가능성이 크다.

6. 결론 및 향후 과제

본 연구는 FLUX Playground의 Pro 모델 기능(GENERATE, EDIT, FILL, EXPAND)을 실제 건축 시각화 시나리오에 적용하여 각 기능의 건축적 가치와 한계를 비교 분석하였다. 특히, 다양한 base image 생성 방식(스케치, 모델링, AI 생성, 렌더링)을 기반으로 실험함으로써, FLUX 기능의 실제 설계 프로세스 적용 가능성을 구체적으로 제시하였다.

FLUX는 MidJourney나 Stable Diffusion 등 기존 이미지 생성 툴에 비해 텍스트 해석력, 시각화 반복성, 컨텍스트 연계 측면에서 강점을 보였다. 반면, 디테일 정확도나 복잡한 형태의 재현 측면에서는 여전히 보완이 필요한 부분도 존재하였다.

향후 과제

• FLUX 외의 다양한 AI 툴과의 기능/결과 비교 연구

• 사용자 피드백을 반영한 인터페이스 및 활용성 평가

• 디자인 프로세스에서의 협업형 AI 시각화 플랫폼 개발 가능성 탐색

참고문헌

1. 생성형 인공지능을 활용한 지역 아이덴티티 반영 건물 파사드

2. 생성 AI 디자인 기반 에너지 저감형 주거단지 최적화 설계기법 개발

3. LLM 활용 강화 데이터 학습모델 기반 건물 조감도 자동 생성 도구 개발

4. Gen AI 기반 3D 렌더링 그래픽 평면도 자동 생성