Earticle

본 연구의 목적은 이미지 생성형 AI(예: 미드저니, 달리)에 대한 대중의 인식, 사용 경험 및 만족도를 파악하 고 만족도에 미치는 영향을 규명하는 것이다. 연구 대상자는 총 2,275명이었으며, 수집된 자료는 SPSS WIN 22.0 프로그램을 이용하여 t-test, ANOVA, 다중회귀분석을 통해 분석하였다. 연구 결과, AI에 대한 태도는 52.9%가 긍정적, 47.1%는 부정적인 것으로 나타났다. 긍정적 인식의 주요 이유는 '편리함'이었으며, 부정적 인식은 ‘불분명 한 저작권 문제'이었다. 생성형 AI 만족도에 유의미한 영향을 미치는 요인은 연령대(ß=.047, p=.021), 사용 경험 (ß=.133, p<.001)이었다. 이 결과는 생성형 AI의 기술 발전 속도에 비해 사회적 수용이 더디다는 점을 보여주며, 법적·윤리적 기준 마련과 개인 맞춤형 AI 개발의 필요성을 시사한다.

The purpose of this study was to investigate public perception, usage experience, and satisfaction with image-generated AI(e.g., Midjourney, DALL-E) and to identify the factors influencing on satisfaction. A total of 2,275 participants were surveyed, and the collected data were analyzed using t-test, ANOVA, and multiple regression analysis via SPSS WIN 22.0 program. The result showed that 52.9% of participants had a positive attitude, while 47.1% held a negative attitude. The main reason for positive perceptions was 'convenience', whereas negative perceptions were 'unclear copyright problem'. Factors that significantly influenced satisfaction with generative AI included age group (ß=.047, p=.021) and usage experience (ß=.133, p<.001). The results show that social acceptance is slow compared to the speed of technological development in Generative AI, suggesting the need to establish legal and ethical standards and develop personalized AI.

최근 생성형 인공지능의 급속한 발전은 콘텐츠 생산과 소비 전반에 근본적인 변화를 야기하고 있다. 특히 2025 년 3월 25일 OpenAI의 ChatGPT-4o 이미지 생성 기능 발표 직후 확산된 ‘지브리 스타일 AI 이미지’ 유행으로, AI 생성 이미지는 대중적이고 일상적인 소비행위로 자리 잡았다. AI 생성 이미지의 급속한 확산은 소비자의 역 할을 수동적 수용자에서 능동적 공동 창작자로 전환시켰으나, 동시에 AI 이미지의 진정성 결여, 저작권 침해 우려, 일자리 대체 불안 등 다양한 소비자 반응이 새롭게 드러났다. 이에 본 연구는 ‘지브리 스타일 AI 이미지’ 현상을 중심으로, AI 생성 이미지 콘텐츠에 대한 실제 소비자 반응을 탐색적으로 분석하였다. 이를 위해 2025년 3월부 터 2025년 5월까지 유튜브에 업로드된 관련 영상 27편에서 11,190개의 댓글을 수집하였으며, 최종적으로 분석 대상으로 선정된 8,553개의 댓글에 LDA 토픽모델링과 KOTE 감성분석을 적용하였다. 분석 결과, 토픽은 ‘AI 화풍과 저작권 논쟁’, ‘무단 이미지 학습과 윤리적 쟁점’, ‘유행으로서의 AI 이미지 소비’, ‘AI의 직업 대체와 적응 전략’, ‘AI 이미지 소비와 개인정보 우려’, ‘지브리 창작자에 대한 감정적 연대’ 등 6개로 분류되었으며, 대부분의 토픽에서 부정 감정이 75% 이상을 차지하는 등 비판적 반응이 강하게 나타났다. 특히 소비자들은 AI 이미지가 단순한 기술적 산물이 아닌 사회문화적 의미와 감정적 판단의 대상임을 인식하고 있었으며, 창작자 권리와 진정성, 기술 수용 윤리 등을 중심으로 복합적인 평가를 수행하고 있었다. 본 연구는 기존 기술 수용 중심 연구로는 설명 하기 어려운 AIGC에 대한 소비자의 비판적 태도, 감정적 저항, 윤리적 판단 등 복합적인 소비자 반응을 탐색적으로 규명함으로써, 향후 AI 생성 콘텐츠에 대한 정책적․교육적 논의를 위한 기초자료를 제공한다는 점에서 의의를 갖는다.

Recent advances in generative artificial intelligence(AIGC) have significantly reshaped content creation and consumption. Following the March 2025 release of ChatGPT-4o’s image generation feature, the viral spread of “Ghibli-style AI images” illustrated how AIGC is becoming an everyday practice. While such tools shift consumers’ roles from passive recipients to active co-creators, they also provoke complex reactions regarding authenticity, copyright, creator rights, privacy, and job displacement. To examine these responses, this study collected 11,190 YouTube comments from 27 related videos uploaded between March and May 2025, and after preprocessing, analyzed a final set of 8,553 comments. Latent Dirichlet Allocation (LDA) topic modeling and Korean Online That-gul Emotions (KOTE) sentiment analysis revealed six major themes: (1) copyright debates surrounding AI art styles, (2) unauthorized image training and ethical issues, (3) AI images as trend-driven consumption, (4) job displacement and adaptation strategies, (5) privacy concerns, and (6) emotional solidarity with original creators. Across most topics, over 75% of comments expressed negative affect, indicating a predominantly critical and emotionally engaged stance toward AIGC. Consumers viewed AI-generated images not merely as technological products but as cultural and ethical objects requiring evaluative judgment. This study provides empirical evidence of consumers’ critical reception and resistance to AIGC, offering implications for consumer-centered policy design, ethical guideline development, and future research on emotion-based innovation resistance in emerging AI ecosystems.

본고는 AI 시대에 이미지가 있는 그대로를 재현한다는 믿음이 여전히 유효할 수 있는가, 그리고 오늘날 AI 이미지는 재현에 기반하는가 혹 시뮬레이션에 기반하는가 질문한다. 먼저 아날로그 ‧ 디지털 시대의 이미지가 카메라 앞 현실을 있는 그대로 재현한다는 믿음을 임의로 악용한 사례에 대해 살펴보며, 과거의 재현 가운데서도 조작되고 만들어진 재현이 있었음을 논한 다. 이후 재현과 시뮬레이션의 차이점을 비교하여 효과적으로 설명한 비디오게임 디자이너이자 이론가인 프라스카의 논의를 통해 재현과 시뮬레이션의 특성을 파악한다. 그에 따르면 재현은 현실을 이해하기 위해 묘사 혹은 내러티브 형식이기에 과거 를 바탕으로 하는 반면, 시뮬레이션은 역동적인 변화를 전제로 한 다양한 결과를 낳을 수 있는 힘을 가졌다고 말한다. 본고는 이를 바탕으로 AI 생성 이미지의 실제적 사례를 통해 점검하며 분석을 이어가는데, 이들이 과거의 재현된 결과물을 바탕으로 학습했기에 재현에 가까운지, 혹은 학습된 결과물을 바탕으로 새로운 이미지를 산출하기에 시뮬레이션에 가깝다고 볼 수 있 을지 고찰한다. 그 첫 번째 사례는 카르만의 <Paragraphica>(2023) 작업이다. 그는 카메라 형체를 닮은 AI 이미지 생성 기계 를 들고 실재 거리에서 사진을 찍고, 또 뒤에 보이는 실재의 재현을 위해 구글 스트리트뷰의 데이터와 텍스트 매개변수를 조 정하여 생성한 AI 이미지를 만든 후 이들을 서로 비교하도록 유도한다. 또 다른 사례로는 보사트의 <ROMAN EMPEROR PROJECT>(2021) 작품을 분석하는데, 이는 동전이나 초상화로만 남아 있는 실재하지 않는 로마 황제의 얼굴 ‘복원’을 시도 한다. 이 사례들은 오늘날 AI 생성 이미지는 단순한 재현이나 시뮬레이션에 머물지 않음을 보여주며 그 사이의 복잡한 관계 를 형성하고 있음을 보여준다. 이를 통해 본고는 오늘날의 생성형 AI 이미지는 재현된 이미지를 학습하여 또 다른 재현을 시 도하는 ‘재현의 재현’이자, 사람들이 현실을 바라보며 갖는 이상과 욕망의 정형을 바탕으로 재현 자체를 시뮬레이션하는 ‘시 뮬레이션 된 재현’일 수 있음을 밝히며, AI 이미지 시대에 기존의 재현과 시뮬레이션의 의미는 한층 더 급격히 다변화하고 있음을 주장한다.

This paper asks whether, in the age of AI, the belief that images reproduce reality “as it is” still holds, and whether today’s AI images are grounded in representation or in simulation. First, the paper reviews analog and digital cases that abused claims of unmediated reproduction, showing that past “representations” were often constructed and manipulated. It then adopts video-game designer and theorist Gonzalo Frasca’s distinction: representation is a descriptive, past-oriented form, whereas simulation, premised on dynamic change, can yield multiple outcomes. Building on this, the paper examines specific AI-image works to consider whether such images—trained on prior representations—lean toward representation or, because they generate new images from learned results, toward simulation. The first case is Bjørn Karmann’s Paragraphica (2023), which invites comparisons between a street photograph taken with a camera-like AI device and an AI image generated by tuning Google Street View data and textual parameters. Another is Daniel Voshart’s Roman Emperor Project (2021), which attempts to “restore” the nonexistent from coins and portraits. These examples suggest that AI images form a complex relationship between representation and simulation. Accordingly, the paper argues that generative AI images may be both a ‘representation of representation’ and a ‘simulated representation,’ and that, in the AI image era, the meanings of representation and simulation are undergoing rapid diversification and expansion.

Advancements in generative AI are reshaping graphic and 3D content design landscapes, where AI not only enriches graphic design but extends its reach to 3D content creation. Though 3D texture mapping through AI is advancing, AI-generated 3D modeling technology in this realm remains nascent. This paper presents AI 2D image-driven 3D modeling techniques, assessing their viability in 3D content design by scrutinizing various algorithms. Initially, four OBJ model-exporting AI algorithms are screened, and two are further evaluated. Results indicate that while AI-generated 3D models may not be directly usable, they effectively capture reference object structures, offering substantial time savings and enhanced design efficiency through manual refinements. This endeavor pioneers new avenues for 3D content creators, anticipating a dynamic fusion of AI and 3D design.

AI 디자인의 활용이 확대되면서, 소비자가 AI가 생성한 디자인을 어떻게 지각하고 평가하는가에 대한 관심이 급격히 증가하고 있다. 특히 제품이 전달하는 디자인 이미지가 소비 자의 디자인 태도 형성에 미치는 영향은 최근 중요한 연구 주 제로 부상하고 있다. 본 연구는 동일한 제품이라 하더라도 디 자인 생성 주체(AI디자인 vs 전문가디자인)에 따라 소비자가 지각하는 디자인 이미지와 디자인 태도가 달라질 수 있다는 점에 주목하였다. 이를 위해 선행연구를 바탕으로 디자인 이미지의 주요 차원을 정리하고, AI디자인과 전문가디자인 조 건 간 차이를 비교하는 연구모델을 설정하였다. 연구모델 검 증을 위해 블루투스 스피커 이미지를 활용한 실험 설문을 실 시하였다. 분석결과, AI디자인은 전문가디자인보다 디자인 태도에서 더 긍정적인 평가를 받았다. 디자인 이미지 차원별 비교에서는 AI디자인이 독특성과 효율성에서 더 높은 평가 를 보였으며, 전문가디자인은 여성성과 간결성에서 우위를 나타냈다. 또한 AI디자인에서는 심미성, 독특성, 효율성, 고귀 성이 태도 형성의 핵심 요인으로 확인된 반면, 전문가디자인 에서는 심미성, 효율성, 여성성, 고귀성, 간결성이 주요 요인 으로 나타났다. 이러한 결과는 동일한 디자인이라도 생성 주체 정보에 따라 소비자가 서로 다른 해석 프레임을 적용함을 보여주며, 디자인 이미지의 영향력이 맥락적 조건에 따라 달 라질 수 있음을 시사한다.

As the use of AI-generated design continues to expand, growing interest has emerged in understanding how consumers perceive and evaluate designs created by artificial intelligence. In particular, the influence of product design images on the formation of consumer design attitudes ha s become an important area of research. This study examines whether consumer perceptions of design image an d design attitude differ depending on the design origin— AI-generated versus expert-designed—even when the product itself is identical. Based on prior literature, key dimensions of design image were identified, and a research model comparing the two design origins was developed. An experimental survey using Bluetooth speaker images was conducted to collect data on consumers’ perceived design images and design attitudes. The results show that AI-generated designs were evaluated more favorably in terms of design attitude than expert-designed ones. In the comparison of design image dimensions, AI-generated designs received higher evaluations on uniqueness and utility, while expert-generated designs were rated higher o n femininity and compactness. Moreover, in the AI-generated design condition, aesthetics, uniqueness, utility, and nobility were identified as the key factors shaping design attitude, whereas in the expert-designed condition, aesthetics, utility, femininity, nobility, and compactness emerged as the major determinants. These findings indicate that consumers apply different interpretive frames depending on the perceived design origin, suggesting that the influence of design image is context-dependent and varies according to the creator of the design.

This study aims to provide foundational data necessary for enhancing user satisfaction with the image-generating AI model DALL-E. As such, clothing images were generated using DALL-E, followed by a two-phase satisfaction survey to examine various aspects of generative AI's application in the clothing industry. The survey targeted women in their 20-40s residing in Seoul and Gyeonggi-do Province, with the following findings obtained: First, no statistically significant differences were found in women's satisfaction with their body shapes across age groups. Second, design inputs regarding color and pattern were predominantly specified for tops, while for bottoms and outerwear, color and material were predominantly specified. Third, participants were grouped by purchase intention, with satisfaction levels analyzed for tops, bottoms, and outerwear. All three categories showed statistically significant differences at the p < .01 level in relation to alignment with preferred styles and most unsatisfactory item. Fourth, images of tops were rated the most satisfactory, while those of bottoms, the most unsatisfactory. Satisfaction was primarily attributed to style alignment, whereas dissatisfaction represented any discrepancy between the generated image and participant expectations. Fifth, no statistically significant differences were found for any measured item in relation to body satisfaction and self-esteem.

인공지능(AI) 기술이 급속도로 발전하면서, AI가 만든 이미지와 실제 이미지를 구분하는 신뢰성 있는 방법의 필요성이 점점 커지고 있다. 이전 연구들은 주로 컨볼루션 신경망(CNN)으로 추출한 공간 영역 특징에 집중했지만, 최근 연구들은 생성된 이미지의 주파수 영역 특성이 효과적인 판별 단서가 됨을 보여준다. 우리는 푸리에 변환(Fourier Transform)을 통해 추출한 주파수 영역 정보를 Swin Transformer에 적응적으로 통합하여 AI 생성 이미지를 탐지하는 모델을 소개한다. 실험 결과, 어텐션 기반 융합 전략은 기존 모델 대비 판별 정확도를 개선하였으며, 특히 공간적 왜곡이 발생할 수 있는 환경에서도 주파수 특징을 활용해 안정적인 탐지 성능을 유지하는 강건성을 입증하였다. 제안된 통합 전략은 기존 CNN 및 Transformer 모델보다 뛰어난 성능을 보였으며, 이는 Transformer 기반 분류기에 주파수 정보를 통합하는 것이 탐지의 신뢰성과 일반화 성능을 높이는 데 효과적임을 입증한다.

With the rapid advancement of generative artificial intelligence (AI) technologies, the need for reliable methods to distinguish AI-generated images from real ones has become increasingly important. While prior research has primarily focused on spatial domain features extracted by convolutional neural networks (CNNs), recent studies suggest that frequency domain characteristics provide effective discriminative cues. We introduce a Swin Transformer-based model that adaptively integrates frequency domain information extracted via Fourier Transform. Experiments on CIFAKE and other datasets demonstrate that attention-based fusion strategies not only improve detection accuracy but also enhance robustness against potential spatial distortions. The proposed strategies outperform conventional CNN and Transformer models, demonstrating that incorporating frequency features is highly effective in increasing the reliability and generalization of Transformer-based image classifiers.

본 연구는 질베르 시몽동의 기술철학을 바탕으로 실감형 전시 콘텐츠 <A.I. 김홍도: 붓선 ver.1.0>의 구현 과정을 분석하고, AI 이미지 생성을 인간과 기술의 존재론적인 협력과 결합의 과정으로 고찰한다. 이를 위해 데이터 전처리 및 학습 과정을 개체화의 잠재적 환경 조성으로, GAN과 인스턴스 세그먼테이션을 활용한 이미지 생성을 정보의 변환적 생성(transductive generation)으로, 전시 공간 설계와 상호 작용까지 전체 과정의 개체화를 인간-기계-이미지의 공동 개체화(co-individuation)로 규명한다. 본 고는 AI 예술 창작이 단순한 기술적 자동화가 아니라, 인간의 미적 의도와 기술의 내부 논리가 상호 매개되어 새로운 감각적 실재를 형성하는 협력적 사건임을 논증한다.

This study analyzes the process of realizing the immersive exhibition content A.I. Kim Hongdo: Butseon ver.1.0 through the lens of Gilbert Simondon’s philosophy of technology, and examines AI image generation as an ontological process of cooperation and coupling between humans and technology. To this end, the stages of data preprocessing and model training are conceptualized as the construction of a potential milieu for individuation; image generation employing GANs and instance segmentation is interpreted as a process of transductive generation of information; and the individuation of the entire process, including exhibition space design and interaction, as the co-individuation of human, machine, and image. This paper argues that AI-based artistic creation is not a form of mere technical automation, but rather a collaborative event in which human aesthetic intention and the internal logic of technology are mutually mediated, giving rise to a new form of sensible reality.