봉제패턴 생성 AI, 2D 패널이 "맞다"는 걸 어떻게 숫자로 잴까?

봉제패턴 생성 AI, 2D 패널이 "맞다"는 걸 어떻게 숫자로 잴까? (IN-RR)

스케치 한 장을 넣으면 옷본(sewing pattern)을 뱉어주는 AI 모델들이 요즘 쏟아지고 있습니다. AIpparel, SewingLDM, GarmentDiffusion, SwiftTailor... 이름은 다 다르지만 "이 모델이 만든 패턴이 정답과 얼마나 비슷한가"를 채점하는 방식은 놀라울 정도로 비슷합니다.

이 글에서는 그중에서도 2D 패널 자체의 정확도만 측정하는 4가지 핵심 지표 — Panel L2, #Panel Accuracy, #Edge Accuracy, Panel IoU — 를 아주 쉬운 예시로 풀어봅니다. (스티치 연결이나 3D 드레이핑 결과를 보는 지표는 이 글에서 다루지 않습니다.)

왜 "2D 패널"만 따로 떼어서 보는가

봉제패턴 하나는 여러 개의 2D 패널(앞판, 뒷판, 소매, 카라 등)로 이루어져 있고, 이 패널들을 실로 이어 붙이면(스티치) 3D 옷이 완성됩니다.

AI가 패턴을 잘 만들었는지 평가하려면 최소 세 단계를 나눠서 봐야 합니다.

1. 패널 자체가 정확한가 — 오늘 다룰 부분
2. 패널끼리 잘 이어졌는가 (스티치 정확도)
3. 이어 붙였을 때 3D로 잘 시뮬레이션되는가 (드레이핑 성공률)

1번을 정확히 봐야 2, 3번의 오차가 어디서 왔는지 원인을 추적할 수 있기 때문에, 대부분의 논문은 1번 지표를 가장 먼저, 가장 상세하게 보고합니다.

한눈에 보는 4가지 지표

지표	무엇을 재는가	값의 방향	출처
Panel L2 (Vertex L2)	패널 꼭짓점 좌표가 정답과 얼마나 떨어져 있는가 (cm)	낮을수록 좋음 ↓	AIpparel, SewingLDM, GarmentDiffusion, SwiftTailor
Panel Accuracy	패널 "개수"를 정확히 맞췄는가 (%)	높을수록 좋음 ↑	AIpparel, GarmentDiffusion, Garment Particles
Edge Accuracy	패널 안의 "변(엣지)" 개수·구성을 정확히 맞췄는가 (%)	높을수록 좋음 ↑	AIpparel, GarmentDiffusion, SwiftTailor
Panel IoU	패널의 "형태(모양)"가 정답과 얼마나 겹치는가 (%)	높을수록 좋음 ↑	Learning Sewing Patterns via Latent Flow Matching, Garment Particles, GarmageNet

 

이제 하나씩 예시로 뜯어보겠습니다.

1. Panel L2 — "꼭짓점이 몇 cm나 어긋났나"

쉬운 비유

색칠공부 책의 밑그림(정답)과 내가 따라 그린 그림(AI 예측)을 겹쳐놓고, 각 꼭짓점끼리 자로 잰 거리를 평균 낸다고 생각하면 됩니다.

계산 예시

정답 앞판 패널이 사각형이고 꼭짓점 4개의 좌표(cm)가 이렇다고 합시다.

꼭짓점	정답(GT)AI	예측	두 점 사이 거리
A	(0, 0)	(0.5, 0.2)	0.54 cm
B	(30, 0)	(30.3, -0.4)	0.50 cm
C	(30, 40)	(29.6, 40.7)	0.81 cm
D	(0, 40)	(-0.2, 39.5)	0.54 cm

 

네 거리를 평균 내면

Panel L2 = (0.54 + 0.50 + 0.81 + 0.54) / 4 ≈ 0.60 cm

→ "이 패널은 평균적으로 정답에서 6mm 정도 어긋나 있다"는 뜻입니다. 실제 논문들을 보면 잘 학습된 모델은 이 값이 1cm 미만, 학습이 덜 된 모델은 10cm 이상까지도 벌어집니다.

한계

Panel L2는 "얼마나 어긋났나"만 볼 뿐, 애초에 꼭짓점 개수(=변의 개수)가 다르면 계산 자체가 성립하지 않습니다. 그래서 다음 지표가 필요합니다.

2. Panel Accuracy — "패널 개수를 맞췄나"

쉬운 비유

정답 티셔츠 도안이 앞판·뒷판·왼소매·오른소매·카라, 총 5개 패널로 이루어져 있는데, AI가 카라를 빼먹고 4개만 만들었다면? 아무리 나머지 4개가 완벽해도 이 패턴은 "틀린" 것으로 채점됩니다.

계산 예시

테스트셋에 옷 100벌(=패턴 100개)이 있고, 그중 92벌은 AI가 정답과 똑같은 개수의 패널을 만들었다고 합시다.

#Panel Accuracy = 92 / 100 × 100 = 92%

왜 이게 중요한가

패널 개수부터 틀리면 그 아래 단계(Edge Accuracy, Panel L2 등)를 계산할 기준 자체가 사라집니다. 그래서 논문들은 보통 "패널 개수가 맞은 샘플에 한해서만" Edge Accuracy나 Panel L2를 추가로 계산합니다 — 마치 시험에서 문제 번호를 잘못 쓴 답안은 채점 대상에서 아예 빼는 것과 비슷합니다.

3. Edge Accuracy — "패널 안의 변(모서리)을 맞췄나"

쉬운 비유

패널 개수는 맞혔다 쳐도, 정답 소매 패널은 6각형(변 6개, 예: 소매산 곡선 포함)인데 AI는 4각형(변 4개)으로 단순하게 그렸다면? 큰 틀은 비슷해 보여도 실제로 봉제 가능한 모양은 아닙니다.

계산 예시

패널 개수가 정확했던 92개의 패턴 안에는 총 460개의 패널이 들어있고, 그중 변의 개수·구성까지 정확히 맞은 패널이 391개라면

#Edge Accuracy = 391 / 460 × 100 ≈ 85%

Panel L2와의 관계

정리하면 이런 흐름입니다.

#Panel Accuracy 통과 (개수 맞음)
        ↓
#Edge Accuracy 통과 (변 구성 맞음)
        ↓
Panel L2 계산 (꼭짓점 좌표까지 미세 비교)

AIpparel 논문에서는 지면을 아끼려고 Accuracy = #Panel Accuracy × #Edge Accuracy 로 두 값을 곱해서 하나의 종합 점수로도 보고합니다. 예를 들어 #Panel Accuracy 92%, #Edge Accuracy 85%라면 종합 Accuracy는 약 78%가 됩니다.

4. Panel IoU — "모양이 얼마나 겹치나"

쉬운 비유

정답 패널과 AI가 만든 패널을 투명 종이에 각각 그려서 포개봅니다. 두 도형이 겹치는 면적을 "합쳐진 전체 면적"으로 나눈 값이 IoU입니다.

IoU = (겹치는 면적) / (합쳐진 전체 면적)

완벽히 똑같은 모양이면 IoU = 1(100%), 전혀 안 겹치면 IoU = 0(0%)입니다.

계산 예시

정답 소매 패널의 면적이 200㎠, AI가 만든 소매 패널의 면적이 210㎠인데, 두 도형을 겹쳤을 때 실제로 겹치는 부분이 180㎠라고 합시다.

합쳐진 전체 면적 = 200 + 210 - 180 = 230 ㎠
Panel IoU = 180 / 230 ≈ 0.78 → 78%

Panel L2와 무엇이 다른가

Panel L2는 "꼭짓점 하나하나가 몇 cm 어긋났나"를 보는 점(vertex) 단위 지표이고, Panel IoU는 "도형 전체가 얼마나 겹치나"를 보는 면적(shape) 단위 지표입니다.

재밌는 점은, 꼭짓점 하나가 아주 살짝만 튀어나와도(뾰족하게) Panel L2에는 크게 영향을 안 주지만, 패널의 전체적인 실루엣이 뭉뚱그려 다르면 Panel L2가 낮게(좋게) 나와도 IoU는 낮게(나쁘게) 나올 수 있습니다. 그래서 최근 논문일수록 두 지표를 같이 보고하는 추세입니다.

네 지표를 한 장의 그림으로

즉 채점 순서를 요약하면:

1. 개수부터 맞았는지 본다 (#Panel Accuracy)
2. 개수가 맞은 것들 중 변 구성이 맞았는지 본다 (#Edge Accuracy)
3. 변까지 맞은 것들의 꼭짓점 좌표가 얼마나 가까운지 잰다 (Panel L2)
4. 이와 별개로, 도형 전체의 겹침 비율로도 형태 유사도를 잰다 (Panel IoU)

정리 표 (수치 예시 포함)

지표	예시	결과해석
Panel L2	0.60 cm	꼭짓점이 평균 6mm 정도 어긋남
Panel Accuracy	92%	패턴 100개 중 92개는 패널 개수를 정확히 예측
Edge Accuracy	85%	개수가 맞은 패널 중 85%는 변 구성도 정확
Panel IoU	78%	정답과 예측 패널이 면적 기준 78% 겹침

마무리

패널 개수(Panel Accuracy) → 변 구성(Edge Accuracy) → 좌표 오차(Panel L2) → 형태 겹침(Panel IoU) 순서로 훑어보면, "AI가 만든 옷본이 얼마나 정답에 가까운가"를 아주 촘촘하게 채점하고 있다는 걸 알 수 있습니다.

다만 이 네 지표는 전부 기하학적으로 얼마나 비슷한가만 볼 뿐, "이게 진짜 소매답게 생겼나", "카라 모양이 디자이너가 의도한 스타일인가" 같은 의미(semantic) 단위의 정확도는 다루지 않습니다. 패널 하나가 위상적으로는 정답과 거의 똑같아도, 그게 정말 '소매'인지 '카라'인지는 이 지표들만으로는 알 수 없다는 뜻이죠. 바로 이 지점이 다음 세대 평가 지표가 채워야 할 빈틈입니다.