개요

AI 이미지 생성 분야가 빠르게 진화하고 있다. 단순한 text-to-image를 넘어서 레이어 분해, 실시간 편집, 동영상 생성, 멀티모달 서빙까지 스택 전체가 재편되는 중이다. 이 글에서는 최근 주목할 만한 네 가지 프로젝트를 분석한다.

• Qwen-Image-Layered — 이미지를 RGBA 레이어로 분해해 편집 가능성을 내재화
• Nano Banana 2 — Gemini 3.1 Flash 기반, Pro급 품질을 Flash 속도로 제공
• Veo 3.1 — 사운드 포함 동영상 생성, 참고 이미지 기반 스타일 가이드
• vLLM-Omni — 텍스트/이미지/오디오/비디오를 하나의 서빙 프레임워크로 통합

이 기술들이 PopCon 프로젝트에서 어떻게 결합되는지는 PopCon 개발기 #1에서 다룬다.

AI 이미지 파이프라인 아키텍처

현재 AI 이미지 생성 에코시스템을 하나의 파이프라인으로 정리하면 다음과 같다.

graph LR
    A["텍스트 프롬프트"] --> B["이미지 생성 모델<br/>Qwen-Image / Gemini"]
    B --> C["정적 이미지"]
    C --> D["레이어 분해<br/>Qwen-Image-Layered"]
    D --> E["RGBA 레이어별 편집"]
    C --> F["동영상 생성<br/>Veo 3.1"]
    F --> G["사운드 포함 동영상"]
    B --> H["서빙 인프라<br/>vLLM-Omni"]
    H --> I["API Endpoint<br/>OpenAI 호환"]
    E --> J["최종 에셋<br/>PopCon 이모지"]
    G --> J

핵심은 생성 -> 분해/편집 -> 서빙이라는 3단계 구조가 명확해지고 있다는 점이다. 각 단계의 도구를 살펴보자.

Qwen-Image-Layered — 레이어 분해로 편집 가능성 내재화

핵심 아이디어

기존 이미지 편집은 마스크 기반 inpainting이 주류였다. Qwen-Image-Layered는 발상을 전환해서, 이미지를 처음부터 여러 RGBA 레이어로 분해한다. Photoshop의 레이어 개념을 AI가 자동으로 수행하는 셈이다.

아키텍처 분석

• 기반 모델: Qwen2.5-VL 위에 fine-tuning한 diffusion 모델
• 파이프라인: QwenImageLayeredPipeline (HuggingFace diffusers 통합)
• 출력 형식: RGBA PNG 레이어 + PSD/PPTX 내보내기 지원
• 추론 설정: num_inference_steps=50, true_cfg_scale=4.0, 해상도 640 권장

from diffusers import QwenImageLayeredPipeline
import torch

pipeline = QwenImageLayeredPipeline.from_pretrained("Qwen/Qwen-Image-Layered")
pipeline = pipeline.to("cuda", torch.bfloat16)

inputs = {
    "image": image,
    "layers": 4,           # 분해할 레이어 수 (가변)
    "resolution": 640,
    "cfg_normalize": True,
}
output = pipeline(**inputs)

설계 패턴에서 주목할 점

1. 가변 레이어 수: 3개든 8개든 원하는 만큼 분해 가능하다. 재귀적 분해도 지원해서, 한 레이어를 다시 분해하는 “무한 분해"가 가능하다.
2. 편집 파이프라인 분리: 분해 후 개별 레이어는 Qwen-Image-Edit로 편집하고, combine_layers.py로 다시 합성한다. 관심사 분리가 깔끔하다.
3. PSD 내보내기: psd-tools 라이브러리를 활용해서 디자이너 워크플로우와 바로 연결된다.

PopCon 활용 포인트

애니메이션 이모지를 만들 때, 캐릭터/배경/소품을 레이어로 분해하면 각 요소를 독립적으로 애니메이션할 수 있다. 예를 들어 캐릭터만 움직이고 배경은 고정하는 식이다.

Qwen-Image 생태계 — 20B MMDiT 파운데이션 모델

Qwen-Image-Layered를 이해하려면 상위 프로젝트인 Qwen-Image도 봐야 한다.

Qwen-Image는 텍스트 렌더링(특히 중국어)과 정밀 이미지 편집에 강점을 가진 파운데이션 모델이다. 2026년 2월에 발표된 Qwen-Image-2.0은 다음을 개선했다:

• 전문 타이포그래피 렌더링 — PPT, 포스터, 만화 등 인포그래픽 직접 생성
• 네이티브 2K 해상도 — 사람, 자연, 건축물의 세밀한 디테일
• 이해+생성 통합 — 이미지 생성과 편집을 하나의 모드로 통합
• 경량화 아키텍처 — 더 작은 모델 크기, 더 빠른 추론 속도

AI Arena 10,000회 이상 블라인드 테스트에서 오픈소스 이미지 모델 1위를 기록했다.

Nano Banana 2 — Gemini Flash 속도의 이미지 생성

Google의 공식 발표

2026년 2월 Google이 공개한 Nano Banana 2(정식명 Gemini 3.1 Flash Image)는 Nano Banana Pro의 품질을 Flash 속도로 제공하는 모델이다.

주요 특징:

• 고급 세계 지식: Gemini의 실시간 웹 검색 정보를 활용한 정확한 렌더링
• 정밀 텍스트 렌더링 및 번역: 마케팅 목업, 인포그래픽에 정확한 텍스트 생성
• 주체 일관성: 최대 5개 캐릭터, 14개 오브젝트의 일관성 유지
• 프로덕션 스펙: 512px ~ 4K, 다양한 aspect ratio 지원
• SynthID + C2PA: AI 생성 이미지 출처 추적 기술 내장

nano-banana-2-skill CLI 분석

이 프로젝트는 Nano Banana 2를 CLI로 감싼 도구인데, 설계가 꽤 영리하다.

아키텍처 특징

1. 멀티 모델 지원: --model flash (기본), --model pro 등 모델 전환이 쉽다
2. Green Screen 파이프라인: -t 플래그 하나로 투명 배경 에셋 생성
   • AI가 green screen 위에 생성 -> FFmpeg colorkey + despill -> ImageMagick trim
   • 코너 픽셀에서 키 색상을 자동 감지 (AI가 정확한 #00FF00 대신 #05F904 같은 근사값을 쓰기 때문)
3. 비용 추적: 모든 생성을 ~/.nano-banana/costs.json에 기록
4. Claude Code Skill: Claude Code 플러그인으로도 동작해서, “generate an image of…” 같은 자연어 명령으로 이미지를 생성할 수 있다

비용 구조

4K 이미지 한 장에 $0.15면 매우 저렴하다. 대량 에셋 생성에 현실적인 가격이다.

PopCon 활용 포인트

PopCon 이모지 에셋을 대량 생성할 때 Nano Banana 2의 -t (투명 배경) 모드가 바로 쓸 수 있다. 캐릭터 에셋을 green screen으로 생성하고, FFmpeg 파이프라인으로 배경을 자동 제거하는 흐름이다.

Veo 3.1 — 사운드 포함 AI 동영상 생성

Google의 Veo 3.1은 텍스트 프롬프트에서 사운드가 포함된 동영상을 생성하는 모델이다.

주요 기능

• 네이티브 오디오 생성: 별도의 TTS/사운드 모델 없이 동영상에 사운드가 포함된다
• 참고 이미지 기반 스타일 가이드: 여러 이미지를 업로드해서 캐릭터/장면의 스타일을 지정할 수 있다
• 세로 동영상 지원: 세로 이미지를 업로드하면 소셜 미디어용 세로 동영상을 생성한다
• 8초 분량: 현재 최대 8초 동영상 생성

가격 티어

PopCon 활용 포인트

정적 이모지에서 한 발 나아가, Veo 3.1로 이모지에 짧은 애니메이션과 사운드 이펙트를 추가할 수 있다. “웃는 캐릭터가 손을 흔드는 2초 애니메이션 + 효과음” 같은 시나리오에 적합하다.

vLLM-Omni — 멀티모달 서빙 프레임워크

왜 중요한가

위에서 살펴본 모델들(Qwen-Image, Qwen-Image-Layered 등)이 모두 좋지만, 프로덕션에서 서빙하는 것은 별개의 문제다. vLLM-Omni는 이 gap을 메운다.

아키텍처 핵심

기존 vLLM은 텍스트 기반 autoregressive 생성만 지원했다. vLLM-Omni는 세 가지를 확장한다:

1. Omni-modality: 텍스트, 이미지, 비디오, 오디오 데이터 처리
2. Non-autoregressive 아키텍처: Diffusion Transformers (DiT) 등 병렬 생성 모델 지원
3. 이종 출력: 텍스트 생성에서 멀티모달 출력까지

성능 최적화

• KV 캐시 관리: vLLM의 효율적인 KV 캐시를 그대로 활용
• 파이프라인 스테이지 오버래핑: 높은 throughput
• OmniConnector 기반 완전 분리: 스테이지 간 동적 리소스 할당
• 분산 추론: Tensor, pipeline, data, expert parallelism 모두 지원

지원 모델 (2026.03 기준)

v0.18.0에서 지원하는 주요 모델:

• Qwen3-Omni / Qwen3-TTS: 텍스트+이미지+오디오 통합
• Qwen-Image / Qwen-Image-Edit / Qwen-Image-Layered: 이미지 생성/편집/분해
• Bagel, MiMo-Audio, GLM-Image: 기타 멀티모달 모델
• Diffusion (DiT) 스택: 이미지/비디오 생성

Day-0 지원 패턴

vLLM-Omni의 주목할 점은 새 모델 출시와 동시에 서빙 지원을 제공하는 “Day-0 support” 패턴이다. Qwen-Image-2512 출시일에 바로 vLLM-Omni 지원이 나왔고, Qwen-Image-Layered도 마찬가지였다. 이는 모델 개발팀과 서빙 인프라팀 간의 긴밀한 협력을 보여준다.

PopCon 활용 포인트

PopCon 서비스에서 이모지 생성 API를 구축할 때, vLLM-Omni를 서빙 레이어로 사용하면 Qwen-Image로 이미지를 생성하고, Qwen-Image-Layered로 분해하는 전체 파이프라인을 하나의 OpenAI 호환 API 뒤에 숨길 수 있다.

빠른 링크

• Qwen-Image-Layered GitHub — 이미지 레이어 분해 모델
• Qwen-Image GitHub — 20B 이미지 파운데이션 모델
• Qwen-Image-Layered 논문
• nano-banana-2-skill GitHub — Gemini 기반 이미지 생성 CLI
• Nano Banana 2 공식 블로그 — Google 공식 발표
• Veo 3.1 소개 페이지 — 사운드 포함 동영상 생성
• vLLM-Omni GitHub — 멀티모달 서빙 프레임워크
• vLLM-Omni 논문

인사이트

에코시스템이 수직 통합되고 있다. Qwen 팀은 파운데이션 모델(Qwen-Image) -> 특화 모델(Layered, Edit) -> 서빙(vLLM-Omni Day-0 지원)까지 전체 스택을 커버한다. Google은 Nano Banana 2로 생성, Veo 3.1로 동영상, SynthID/C2PA로 출처 추적까지 묶었다. 개별 모델의 성능보다 파이프라인 전체의 완성도가 경쟁력을 좌우하는 단계에 들어섰다.

편집 가능성(Editability)이 새로운 차별점이다. 단순히 “좋은 이미지를 생성하는 것"에서 “생성된 이미지를 얼마나 쉽게 수정할 수 있는가"로 경쟁 축이 이동하고 있다. Qwen-Image-Layered의 레이어 분해는 이 방향의 대표적인 사례다. 레이어 단위로 분리하면 recolor, resize, repositon 같은 기본 조작이 물리적으로 다른 콘텐츠에 영향을 주지 않는다.

서빙 인프라가 병목이다. 아무리 좋은 모델이 있어도 프로덕션에서 서빙할 수 없으면 의미가 없다. vLLM-Omni가 autoregressive 전용이던 vLLM을 Diffusion Transformer까지 확장한 것은 이 병목을 해소하려는 시도다. 특히 long sequence parallelism, cache acceleration 같은 최적화가 이미지 생성 모델의 서빙 비용을 현실적인 수준으로 낮추고 있다.

도구 체인이 개발자 경험을 결정한다. nano-banana-2-skill 같은 CLI 래퍼가 299 star를 받은 이유가 있다. nano-banana "robot mascot" -t -o mascot 한 줄로 투명 배경 에셋이 나오는 경험은, API 문서를 읽고 코드를 작성하는 것과 차원이 다르다. Claude Code skill로도 동작하니 AI 코딩 어시스턴트에서 바로 이미지를 생성할 수 있다.