1) 문제점
- 실제 시술·수술 후 경과 사진을 대규모로 확보하기 어려워 회복 과정 예측/시뮬레이션 기능을 서비스에 적용하기에 데이터 부족
- 기존 GAN 기반 translation 모델은 artifact(머리카락·배경 변형, 경계 왜곡)가 심해 사용자 신뢰도와 생성 품질이 낮았음
- 경과 기간별 변화가 뚜렷해 단일 도메인 모델로는 표현 어려움

2) 프로젝트 목표
- 사용자 얼굴 이미지 입력 시 회복 단계별 예측 얼굴을 자동 생성하는 모델 개발
- 다중 경과 단계(domain)에 대응 가능한 Multi-domain Image-to-Image Translation AI 구축
- 의료 이미지 생성 특성에 맞춘 artifact 최소화 + Realistic한 합성 결과 확보

3) 주안점
- 데이터 부족 문제 해결을 위한 크롤링 + 전처리 + 도메인 분리 전략
- 머리카락·배경 왜곡 최소화를 위한 전처리 자동화 파이프라인 구축
- LPIPS·FID 등 구조적·지각적 품질 지표 기반 성능 검증
- 사용자 관점에서 “자연스럽고 실제 같은 변화”에 집중한 후처리(face swap/restoration) 설계

1) 포트폴리오 소개
- 성형·피부 시술을 받은 사용자가 향후 얼굴 회복·변화 과정을 미리 확인할 수 있도록 지원하는 AI 기반 시뮬레이션 생성 서비스 개발.
- 뷰티·헬스케어 앱 사용자(성형 회복 관리 필요 고객) 대상.

2) 작업 범위
- Multi-domain Image-to-Image Translation 모델 개발(시술 전 → 시술 후 경과 단계 생성)
- 부족한 경과 데이터 크롤링 및 도메인별 데이터셋 구성
- Artifact 최소화를 위한 전처리(배경 제거, 얼굴 중심 cropping)
- BentoML 기반 서빙 파이프라인 개발 및 배포(GCP, Docker)


3) 주요 업무
- 경과 단계별 얼굴 시뮬레이션 생성 모델 개발
(예: 수술 직후 → 3일차 → 7일차 → 14일차 이미지 생성)
- LPIPS, FID, F1 Score 기반 성능 평가 및 고도화
- 아티팩트(머리카락, 배경 왜곡) 제거를 위한 비전 전처리 파이프라인 구축
- 신뢰도 높은 얼굴 합성 결과를 위한 Restoration·Face Swapping 후처리 적용
- 고객 앱 내부에서 이미지 업로드 → 시뮬레이션 결과 반환 API 구축

4) 주안점
- 사용자 얼굴 외형 변형 최소화를 위한 artifact 제거 및 배경 제거 전처리
- 다중 도메인(시술 직후~회복 단계) 간 일관성 유지
- 실제 의료 데이터의 품질 편차를 해결하기 위한 데이터 선택·클렌징 전략
- 사용자 경험을 위한 고품질·고해상도 생성 결과 확보
- 경과 단계별 시뮬레이션의 현실성·일관성 확보