▣ 행사명: <<제3회, 2021 AIH 심포지엄>>

▣ 진행 방식: Zoom 비대면

▣ 참여 링크: https://zoom.us/webinar/register/WN_bnzI4o4NT8u-aZhLaT3b6g

▣ 일시: 2021년 3월 26일(금) 14:00-17:00

▣ 프로그램 

■ 이수진(인공지능인문학 HK+사업단,  HK연구교수) 

- 주제: 세운상가(X)=미디어아트 

- 개요:  청계천 세운상가, 예술과 기술의 경계를 허무는 그 곳 : 역사, 산업 그리고 공동체

서울 도심지 한 복판  세운상가 일대, 1967년 11월 개관 이후 소규모 제조업체가 밀집하며 하나의 산업군 부락을 형성했다. 개별 제조업으로 독립체로 보이지만 하나의 제품이 탄생하기 위한 구조적 체계가 비가시적으로 이루어진 곳이기도 하다. 세운상가 일대를 세 단어로 압축해서 표현하면 역사, 산업 그리고 공동체로 각각 단어의 의미를 되새겨 볼 수 있다. 필자가 세운상가에 관심을 갖게 된 것은 석사 과정 중에 작품 프로젝트를 설계하면서였다. 당시 필자는 비전 그래픽스 연구실에서 공학 석사 과정을 밟으며 컴퓨팅 기술을 활용한 작품 제작에 몰두하고 있었다. 비가시적인 것을 가시적으로 표현하는 것을 목표로 휴대폰에서 방출되는 전자파를 가시화하는 것이 작품 주제였다. 휴대폰에서 나오는 전자파의 파장 대역은 통신사마다 달랐기 때문에특정 통신사의 전자 파장을 감지할 수 있는 회로기판(PCB)을 제작해야 했다. 지향성 안테나(Directional Antenna)는 결국 해외에서 구입했지만 그 외 모든 부품과 장비는 청계천과 문래동에서 해결했다. 문래동보다 내 기억에 청계천이 오래 남아 있는 이유는 미로 찾기를 하면서 내가 필요로 하는 부품들을 모두 구할 수 있었기 때문이다. 필자는 예술가이기 이전에 연구자이다.학부에서는 동물 번식에 관한 연구로 현미경을 통해서만 볼 수 있는 세계를 보았고 졸업 후 눈에 보이는 세계를 기록할 수 있는 사진술을 연구했다. 컴퓨터 공학의 한 분야인 컴퓨터 비전을 연구하게 된 이유는 우리 인간이 표현할 수 있는 세계를 컴퓨팅 기술로 확장하기 위해서이다.

필자에게 기술은 그런 의미이다. 인간의 정신세계를 무한대로 확장할 수 있는 도구. 다시 세운상가로 돌아가 보자.

Makercity Sewoon, 뉴트로(New + Retro를 의미하는 신조어) 문화를 탄생시키고 있는 공간으로 세운상가는 거듭났다. 그런데 그 곳의 공기는 15년 전의 공기와 사뭇 다르다. 왜 일까?

세운상가(X)에서 매개변수 X에 어떤 아이디어가 들어가느냐에 따라 미디어 아트 즉 결과가 나온다. 이번 심포지엄에서 그 얘기를 풀어 보고자 한다.

■ 박평종(인공지능인문학 HK+사업단,  HK연구교수)

- 주제: 이미지 생성 알고리즘의 최근 동향: GAN을 중심으로

- 개요:  이 발표는 GAN(Generative Adversarial Nets) 알고리즘의 원리와 유형, 최근까지 진행된 주요 성과들을 정리하고 그 의미를 탐색하는 데 목적이 있다. 2014년 이안 굿펠로우가 처음 발표한 이래 GAN은 현재도 꾸준한 연구를 바탕으로 개량을 거듭하고 있다. GAN은 AI 분야에서 가장 중요한 연구 방향 중의 하나며, 적용 범위도 넓다. 특히 컴퓨터 비전(Computer vision), 즉 이미지 관련 분야의 가능성은 다른 영역에 비해 상대적으로 풍부하다. 예컨대 이미지 치환, 고해상도 이미지 변환, 이미지 합성, 비디오 생성 등을 포함하는 컴퓨터 비전의 영역에서 가장 성공적으로 적용되고 있다.

고해상도 이미지 합성에 활용되는 생성모델은 SRGAN(Super-Resolution GAN)과 ESRGAN(Enhanced Super-Resoution GAN)이 대표적이고, 이미지 치환을 위해 고안된 모델로는 Pix2Pix와 CycleGAN, DiscoGAN, DualGAN 등이 있다. StarGAN은 복수 도메인 변환에 효과적인 모델이다. 텍스쳐 합성에 뛰어난 모델로는 MGAN(Markovian GAN)과 SGAN(Spatial GAN), PSGAN(Periodic Spatial GAN)이 있으며, TP-GAN(Two-Pathway GAN)은 측면사진 학습을 통해 정면 얼굴을 합성해 내는 모델이다. 인물의 스타일 변환에 뛰어난 모델로는 StyleGAN이 꼽힌다. 그 밖에도 다양한 목적과 기능을 갖춘 GAN이 속속 개발되고 있다. GAN은 원본과 유사한 가짜 데이터를 산출하는 데 탁월해서 그 긍정성과 부정성이 선명히 갈린다. 특히 딥 페이크의 위험성에 대한 사회적 경각심도 커지는 추세다. 이 발표를 통해 GAN의 풍부한 가능성을 짚어보고 그 문화사적 의미에 대해 논의하는 계기를 마련해 보고자 한다.