Preventing Plagiarism in Generative AI Art: Control Strategies of GANs and Their Aesthetic Implications

21세기의 생성형 인공지능 예술은 생성적 적대 신경망(GAN)의 발전으로 전례 없는 창작 가능성을 열었으나, 동시에 기존 작품과의 사이에 높은 유사성으로 인한 표절 논란을 불러왔다. 인공지능이 방대한 데이터를 학습해 이미지를 생성하는 과정에서 과적합과 반복 생성이 발생하기 때문이다. 본 연구는 이러한 위험을 줄이기 위한 제어 전략을 실증적으로 검증하고, 그 미학적 함의를 논의하였다.<br/>첫째, 유명인 얼굴 속성(CelebA), 위키아트(WikiArt) 데이터셋을 활용하여 생성물과 학습 데이터 간 유사성을 평가하였다. 기본 생성적 적대 신경망 모델은 평균 구조적 유사도(SSIM) 0.71, 학습된 지각유사도(LPIPS) 0.32로 원본과의 유사성이 높았으나, 제어 전략을 적용하자 구조적 유사도는 0.58로 감소하고 학습된 지각 유사도는 0.46으로 증가하여 과적합 가능성이 완화되었다(p<0.05). 둘째, 잠재공간 조작, 판별자 유사성 필터링, 창의성 유도 손실을 적용해 표절 방지 효과를 검증하였다. 그 결과, 특징 다양성(Intra-FID)은 약 18% 향상되고, 생성물 간 평균 유사도는 12% 감소했으며, 창의성 평가 점수는 3.2에서 4.1로 상승하였다. 이러한 수치는 제어 전략이 단순한 유사성 감소를 넘어 창작적 독창성과 시각적 품질을 동시에 개선함을 보여준다. 셋째, 인간의 개입 효과도 검토한 결과, 프롬프트 설계와 최종 선별을 포함한 협업 과정에서 외부 평가자의 평균 점수는 3.8에서 4.5로 상승하여, 인간-기계 협업이 창작 완성도를 높이는 중요한 요소임이 확인되었다. 결론적으로, 제어 전략은 단순한 표절 회피 수단을 넘어 새로운 시각적 표현과 창의적 개입을 가능케 하는 미학적 장치로 작동한다. 본 연구는 생성형 인공지능 예술에서 기술적 제어와 인간의 미학적 판단이 결합될 때, 독창성·다양성과 함께 윤리적 정당성까지 확보될 수 있음을 입증하였다.