DEVOCEAN

효율적인 광고 제작을 위한 레이아웃 생성 기술

광고에서 ‘배치’는 곧 성과와 연결됩니다.

성공적인 광고는 단지 예쁜 디자인이 아닌, 다음과 같은 레이아웃 요건을 만족해야 합니다.

• 텍스트와 CTA의 가시성 확보

• 배경 이미지와 상품 이미지 간 명확한 위계

• 주목 영역(saliency)에 맞춘 시선 유도

• 플랫폼별 레이아웃 규칙 충족

이를 위해 다양한 Layout Generation AI들이 개발되어 왔습니다.

아래는 주요 방법론과 모델들을 알아보겠습니다 :)

1. Sequence 기반 모델

• LayoutFormer++

  - Transformer 기반 시퀀스 예측 모델

  - 입력: 상품 이미지 + 랜덤 초기 레이아웃

  - 출력: 각 요소의 class, 위치 좌표

  - 단점: 컴포넌트 Drop 가능성 있음 (필수 요소 누락 우려)

  (참고) https://arxiv.org/abs/2311.13602

• LayoutPrompter (LLM 기반)

  - LLM을 이용한 시퀀스-투-시퀀스 layout 생성

  - 다양한 input 형식 (텍스트 설명, saliency, constraints 등) 대응

  - prompt에 유사 샘플을 넣는 in-context 방식

  - 단점: inference마다 비용 발생, 일부 레이아웃 요소가 캔버스를 벗어날 수 있음

  (참고) https://arxiv.org/abs/2311.06495

2. Retrieval + Transformer 방식

• RALF (Retrieval-Augmented Layout Former)

  - 기존 포스터와 유사한 레이아웃을 검색하여 조건으로 활용

  - 상품 이미지가 포함된 canvas를 기준으로 학습

  - underlay와 배경 포함, component drop 없이 생성

  - 조건 세팅을 통한 정교한 제어 가능

  (참고) https://github.com/CyberAgentAILab/RALF

3. Diffusion 기반 모델 (배경 생성 포함)

• Desigen

  - 배경 이미지까지 직접 생성하는 Diffusion 기반 모델

  - salient 영역을 피해 layout이 들어갈 공간 확보

  - background와 layout을 반복적으로 보완하며 최적화

• LayoutDM

  - discrete space에서 diffusion 적용

  - 요소마다 따로 노이즈를 주는 방식으로 구성 (c, x, y, w, h 각각 따로)

  - 다양한 component 수를 커버하고 user constraints 반영에 특화됨

평가 기준 정리

마무리: 실전 적용을 위한 선택 기준