refactor(topics): 멀티 에이전트용 지식 재편 — _Common(공통 기본기) + Domain_* 구조
에이전트 8종(대화형/프로그래머 C·S/디자이너/설계자/기획자/QA/PD/PM)에게 [공통 기본 능력 + 롤별 Specialty] 2층으로 지식을 주입하기 위한 재분류. 문서 내용·포맷은 무수정, 폴더 이동만 (6,372개 문서 수 보존 확인). - Topic_Programming → Domain_Programming (내부 구조 보존) - Topic_Graphic → Domain_Design - Topic_Business → Domain_Product - Topic_General → Domain_General - _Common 신설: Math(구 Topic_Math_Specialty), Reasoning(구 General/From_Thinking & Reasoning), Reasoning_Creativity(구 General/From_창의성), Communication(Poetic_Blog_Writing + From_writing) - 타 도메인의 From_* 폴더는 유지 (출처 표기일 뿐, 이미 도메인에 맞게 분류된 문서) - 빈 폴더 정리 (memory/procedures) - 에이전트→폴더 매핑은 workspace의 .astra/agent-knowledge-map.json (9개 에이전트) Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,144 @@
|
||||
---
|
||||
id: wiki-2026-0508-style-transfer
|
||||
title: Style Transfer
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Neural Style Transfer, NST, Style Transfer in AI]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [style-transfer, neural-network, image-generation, diffusion]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: pytorch
|
||||
---
|
||||
|
||||
# Style Transfer
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 content + style separation의 art"**. Gatys et al. (2015) 가 VGG feature space 의 Gram matrix 로 style 추출 → 매 content image 에 transfer 의 seminal work. 2026 의 modern state 는 diffusion-based (IP-Adapter, ControlNet style) + Midjourney --sref 의 mainstream.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 origin (Gatys 2015)
|
||||
- VGG-19 의 conv layer activation 의 feature representation.
|
||||
- **Content loss**: 매 high-level layer (conv4_2) 의 feature MSE.
|
||||
- **Style loss**: 매 multiple layer 의 Gram matrix (feature correlation) MSE.
|
||||
- Optimization-based — 매 image pixel 자체 의 gradient descent (slow, ~minutes per image).
|
||||
|
||||
### 매 evolution
|
||||
- **Fast NST** (Johnson 2016): feedforward network 의 single forward pass.
|
||||
- **AdaIN** (Huang 2017): Adaptive Instance Normalization — 매 arbitrary style 의 real-time.
|
||||
- **Diffusion-based** (2023+): IP-Adapter, ControlNet — 매 prompt + reference 의 zero-shot.
|
||||
|
||||
### 매 응용
|
||||
1. Artistic image generation (Prisma, DeepArt — 매 historical).
|
||||
2. Midjourney --sref / --cref — 매 mainstream creative tool.
|
||||
3. Video stylization (Runway, Kaiber).
|
||||
4. Domain adaptation (synthetic → real).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Gram matrix (style representation)
|
||||
```python
|
||||
import torch
|
||||
import torch.nn as nn
|
||||
|
||||
def gram_matrix(features):
|
||||
b, c, h, w = features.shape
|
||||
feat = features.view(b, c, h * w)
|
||||
gram = torch.bmm(feat, feat.transpose(1, 2))
|
||||
return gram / (c * h * w)
|
||||
```
|
||||
|
||||
### AdaIN
|
||||
```python
|
||||
def adain(content_feat, style_feat, eps=1e-5):
|
||||
c_mean = content_feat.mean(dim=[2, 3], keepdim=True)
|
||||
c_std = content_feat.std(dim=[2, 3], keepdim=True) + eps
|
||||
s_mean = style_feat.mean(dim=[2, 3], keepdim=True)
|
||||
s_std = style_feat.std(dim=[2, 3], keepdim=True) + eps
|
||||
normalized = (content_feat - c_mean) / c_std
|
||||
return normalized * s_std + s_mean
|
||||
```
|
||||
|
||||
### Gatys optimization (full)
|
||||
```python
|
||||
import torch.optim as optim
|
||||
from torchvision.models import vgg19
|
||||
|
||||
vgg = vgg19(pretrained=True).features.eval().cuda()
|
||||
target = content_img.clone().requires_grad_(True)
|
||||
optimizer = optim.LBFGS([target])
|
||||
|
||||
def closure():
|
||||
optimizer.zero_grad()
|
||||
feats = extract_features(target, vgg)
|
||||
c_loss = F.mse_loss(feats['content'], content_feats['content'])
|
||||
s_loss = sum(F.mse_loss(gram_matrix(feats[l]), gram_matrix(style_feats[l]))
|
||||
for l in style_layers)
|
||||
loss = c_loss + 1e6 * s_loss
|
||||
loss.backward()
|
||||
return loss
|
||||
|
||||
for _ in range(300):
|
||||
optimizer.step(closure)
|
||||
```
|
||||
|
||||
### IP-Adapter (diffusion-based, 2024+)
|
||||
```python
|
||||
from diffusers import StableDiffusionPipeline
|
||||
from ip_adapter import IPAdapter
|
||||
|
||||
pipe = StableDiffusionPipeline.from_pretrained("runwayml/stable-diffusion-v1-5").to("cuda")
|
||||
ip_model = IPAdapter(pipe, "h94/IP-Adapter", "models/ip-adapter_sd15.bin", "cuda")
|
||||
|
||||
style_ref = Image.open("vangogh.jpg")
|
||||
images = ip_model.generate(pil_image=style_ref, prompt="a cat", num_samples=4, scale=0.7)
|
||||
```
|
||||
|
||||
### Midjourney --sref (2026 mainstream)
|
||||
```
|
||||
/imagine prompt: a serene lake at sunset --sref https://example.com/style.jpg --sw 100
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 매 일회성 art experiment | Gatys (구현 simple, slow ok) |
|
||||
| 매 real-time / video | AdaIN, fast NST |
|
||||
| 매 production creative | IP-Adapter + SDXL / FLUX |
|
||||
| 매 non-coder creative | Midjourney --sref |
|
||||
| 매 controllable structure + style | ControlNet + IP-Adapter combo |
|
||||
|
||||
**기본값**: 매 2026 의 IP-Adapter (open) 또는 Midjourney --sref (closed).
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Generative-AI]] · [[Computer Vision|Computer-Vision]]
|
||||
- 변형: [[Style_Reference_(--sref)]] · [[ControlNet]] · [[IP-Adapter]]
|
||||
- 응용: [[AI 이미지 생성 (AI Image Generation)|Image-Generation]]
|
||||
- Adjacent: [[Diffusion-Models]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 creative pipeline 의 style consistency, brand asset variant 생성, mood board 의 visual exploration.
|
||||
**언제 X**: 매 photo retouching (use Lightroom), 매 strict color grading (use LUTs), 매 face identity preservation 의 unstable.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Style weight 무한 증가**: 매 content 가 사라짐. balance 필수 (1e6 typical).
|
||||
- **Single VGG layer**: 매 multi-scale style 의 lost. 매 multiple layer aggregate.
|
||||
- **Diffusion 의 prompt 무시**: IP-Adapter scale 너무 높으면 prompt 의 무시. scale 0.5-0.8 sweet spot.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Gatys et al. 2015 "A Neural Algorithm of Artistic Style"; Huang & Belongie 2017 AdaIN; Ye et al. 2023 IP-Adapter).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — Gatys → AdaIN → diffusion (IP-Adapter, --sref) coverage |
|
||||
Reference in New Issue
Block a user