오픈소스 이미지 편집기 'VIBE' 공개: 2K 이미지를 4초 만에 편집

VIBE는 자연어 지시문만으로 이미지를 빠르게 수정할 수 있는 초고속 경량 오픈소스 이미지 편집기입니다. NVIDIA H100 단일 환경에서 2K 해상도의 고화질 이미지를 약 4초 만에 편집해 냅니다.

최근의 이미지 편집 기술은 6B에서 20B에 달하는 거대한 확산 모델에 의존하는 경우가 많아 실행 속도가 느리고 고가의 장비가 필수적이었습니다. VIBE는 극도로 효율적인 설계를 통해 모델 크기를 줄이면서도 원본 보존 능력을 최고 수준으로 끌어올렸습니다.

어떤 작업이 가능한가

VIBE는 원본 사진의 구도와 주요 특징을 깨뜨리지 않으면서 사용자가 입력한 프롬프트의 요구사항만 정확하게 반영하는 작업에 특화되어 있습니다.

인물 사진에 자연스럽게 목도리를 추가하거나, 낮 시간대 배경을 가로등 불빛이 켜진 밤 풍경으로 바꾸는 등의 작업이 매끄럽게 이루어집니다. 원하지 않는 피사체 제거, 배경 교체, 전반적인 화풍 전환도 손쉽게 처리합니다.

ImgEdit 및 GEdit 벤치마크 테스트 결과, VIBE는 원본의 형태를 엄격하게 유지해야 하는 속성 변경과 부분 교체 영역에서 수배 이상 거대한 모델들과 대등하거나 오히려 앞서는 성능을 기록했습니다.

작동 방식과 필요 사양

VIBE의 속도 비결은 두 개의 경량 모델을 유기적으로 결합한 아키텍처에 있습니다. 사용자의 편집 지시를 이해하는 시각 언어 모델로는 2B 크기의 Qwen3-VL을 쓰고, 이미지를 그려내는 백본으로는 1.6B 크기의 Sana 1.5 확산 모델을 활용합니다.

전체 파이프라인은 BF16 기준 24GB의 VRAM만 있으면 구동할 수 있습니다. 별도의 추가 경량화나 증류 기법을 쓰지 않아도 H100에서 2K 이미지를 약 4초 만에 뽑아냅니다.

연구진은 추론 시 분류기 없는 안내 단계를 생략해 속도를 1.8배에서 2배 끌어올린 CFG 증류 모델도 함께 배포했습니다. 증류 버전을 사용하면 1024x1024 이미지는 약 0.64초, 2K 이미지는 1.97초 만에 편집이 완료됩니다.

현재 GitHub에 소스 코드가 오픈되어 있으며, Hugging Face에서 생성 단계와 가이던스 강도를 직접 조절하며 테스트해 볼 수 있는 무료 웹 데모도 운영 중입니다.

왜 중요한가

무작정 파라미터 크기만 키우는 경쟁에서 벗어나, 정교한 멀티모달 인코더와 가벼운 생성 모델의 조합만으로도 실용적인 이미지 편집이 가능함을 증명했다는 점에서 매우 영리한 시도라고 봅니다.

개인 창작자나 개발자에게 24GB 메모리 요건은 추후 양자화가 적용되면 고가의 클라우드 서버 없이 개인용 그래픽카드에서도 실시간에 준하는 로컬 편집이 가능해짐을 뜻합니다. 즉각적인 피드백이 필요한 파이프라인을 구축하고 있다면 지금 바로 검토해 볼 가치가 있습니다.

다만 백본 크기가 1.6B 수준인 만큼 극도로 난해하고 복합적인 명령을 처리할 때는 거대 모델보다 표현력이 다소 제한될 수 있습니다. 그럼에도 일상적이고 반복적인 그래픽 편집 작업에서 VIBE가 보여주는 속도와 일관성의 균형은 현존 오픈소스 모델 중 손에 꼽힐 만큼 매력적입니다.