AI 편집 실험 600세트 중 256세트 실패…전문 도구 175세트 보완

서도윤 기자 2026.11.02 13:34

전문 포토샵 편집자들은 별도 비교에서 병렬 탐색을 비동률 130건 중 102건에서 선호했다. 논문은 EdiVal 평가에서 점수 향상과 함께 더 많은 H100 GPU-hour 사용량도 제시했다.

토포AI로 이 기사 더 깊이 읽기

화면에 나란히 표시된 이미지 편집 결과와 스타일러스 / TokenPost.ai

범용 이미지 편집 모델 FLUX.2-klein-9B는 연구진이 구성한 600개 편집 세트 중 256개에서 사용할 수 있는 결과를 내지 못했고, 전문 방법은 그중 175개에서 사용 가능한 결과를 만들었다.

어도비($ADBE)의 연구조직인 어도비 리서치(Adobe Research)와 캘리포니아대 샌디에이고캠퍼스(UC San Diego) 연구진은 2026년 10월 29일 arXiv에 제출한 논문 ‘EditAgent: Rethinking Agentic Image Editing’에서 EditAgent를 제안했다. 복합적인 편집 요청을 여러 단계로 나누고 각 단계에 맞는 도구를 선택하는 연구 시스템이다.

진단 실험은 30가지 편집 유형별 20개씩, 모두 600개 세트로 구성됐다. 각 세트에는 원본 이미지와 편집 지시, 범용 편집기와 전문 도구가 만든 후보 결과가 담겼다.

전문 포토샵 편집자 5명이 후보를 검토했다. 어떤 후보도 사용할 수 없었던 세트는 81개로, 전체의 13.5%였다.

실패율과 보완 결과는 연구진이 구성한 실험과 FLUX.2-klein-9B에 한정된다. 모든 이미지 편집 모델이나 실제 사용자 작업의 성능을 나타내는 수치는 아니다.

EditAgent는 요청을 편집 단계로 나눈 뒤 각 단계에서 쓸 방법을 고른다. 객체 제거·이동이나 색 보정, 회전·확대처럼 작업에 맞는 전문 방법과 범용 편집기를 함께 활용한다.

시스템은 여러 도구가 만든 후보를 원본 이미지에서 병렬로 생성한다. 순차 수정처럼 직전 결과를 다시 편집하는 대신 후보들을 한 번에 비교하는 방식이다.

후보마다 편집 영역 확대 이미지와 원본 대비 변화 지도, 밝기·색상 측정치, 코드 검사 결과를 붙인다. 시각언어모델(VLM)은 이 자료를 참고해 각 결과가 지시를 따랐는지 비교한다.

연구진은 복잡도가 다른 편집 요청 144건에서 병렬 탐색과 순차 수정을 비교했다. 비교에는 전문 포토샵 편집자 5명이 참여했다.

편집자들은 병렬 탐색을 102건, 순차 수정을 28건에서 선호했고 14건은 동률로 판정했다. 동률을 제외한 130건 중 병렬 탐색 선호율은 78.5%였다.

두 방식 모두 요청당 이미지를 최대 4장 만들었다. 평가 모델 호출은 병렬 탐색이 최대 2회, 순차 수정은 4회였다.

EdiVal 평가에서 FLUX.2-klein-9B 기반 시스템의 EdiVal-O 3회차 점수는 단독 사용 때 53.20점, EditAgent 적용 때 59.45점이었다. EdiVal-O는 편집 요청이 이어지는 과정에서 이전 지시가 유지됐는지도 반영하는 누적 평가 지표다.

연구진은 EditAgent가 승인한 약 2만5700개 편집 세션을 별도 편집기 학습 자료로 활용했다. 이 세션은 전문 편집자가 모두 검수한 결과가 아니라 시스템의 평가 모델이 승인한 결과다.

어도비는 2026년 6월 18일 포토샵과 프리미어 등에서 AI Assistant 공개 베타를 발표했다. 해당 제품 발표와 달리 이번 논문은 EditAgent가 어도비 제품에 적용됐다고 밝히지 않았다.

창작 도구에 AI 에이전트를 도입한 별도 사례로는 본지가 앞서 피그마의 AI 에이전트용 디자인 규칙 편집기 공개를 보도했다. 이 제품 발표와 EditAgent 연구가 직접 연결됐다는 내용은 논문에 없다.

EdiVal 비교표의 H100 GPU-hour 기준으로 Qwen-Image-Edit-2511 단독 편집기는 1.1, EditAgent 적용 시스템은 12.9를 기록했다. FLUX.2-klein-9B 기반은 단독 편집기 0.5, EditAgent 적용 시스템 6.3이었다.