치유정원 설계 시각화에 대한 AI 기반 접근^† - Stable Diffusion 모델 활용 가능성 탐색 -

최근 전 산업 분야에서 인공지능(Artificial Intelligence) 기술, 특히 생성형 인공지능(Generative AI)의 발전이 산업과 교육 전반에 큰 영향을 미치고 있다(Park, 2023; 임장한과 윤수진, 2024). 이미지 생성형 AI(ImageGenerating Artificial Intelligence)는 인공지능을 활용해 이미지를 생성하고 작업하는 기술 또는 소프트웨어로 사용자가 명령어(프롬프트)를 입력하면 그에 맞는 이미지를 생성하고 사용자는 이를 바탕으로 자신이 원하는 이미지를 선택, 편집할 수 있는 기술로, 최근 달리(DALL·E), 미드저니(Midjourney), 스테이블 디퓨전(Stable Diffusion)과 같은 서비스가 활발히 발전하고 있다(김호준, 2023; 이하나, 2025). 건축 및 타 디자인 분야에 비해 조경설계에서의 AI 활용 사례와 학술적 연구는 상대적으로 부족하지만(Liu X, 2024), 그럼에도 불구하고, 조경설계 분야 역시 인공지능의 활용 가능성을 적극적으로 모색하고 있으며, 업무 효율성과 설계 창의성 제고를 위한 다양한 시도가 이루어지고 있다(장유리, 2024). 디자인 과정에서의 아이디어 시각화는 창의적 구상을 구체화하는 핵심 단계로, 특히 조경디자인과 같이 공간을 다루는 분야에서는 도면 및 이미지 시각화가 프로젝트의 이해도와 설계 의도 전달에 직접적인 영향을 미친다(윤주영과 김유선, 2024).

기존 선행 연구들은 조경 또는 건축 설계 분야에서 이미지 생성 AI의 활용 가능성을 폭넓게 탐색하고 있으나(이동호와 고성학, 2023; 조하영과 이진국, 2023; 박재민과 한재욱, 2024; 윤주영과 김유선, 2024; 장유리, 2024; Liu, 2024), 대부분 대표적인 이미지 생성형 AI 도구를 비교하거나 일반적인 공원 설계 단계에서의 활용 가능성에 초점을 맞추었다. 구체적인 설계 요소나 기준을 프롬프트에 반영하고 시각화 결과에 대한 정량·정성적 평가를 병행한 연구도 일부 존재하지만, 치유정원과 같은 특수 목적 공간을 대상으로 한 연구는 여전히 제한적이다. 비록 치유정원 설계에 AI를 직접 활용한 연구는 아직 제한적이지만, 최근 특수 목적 공간 설계 분야에서 생성형 AI를 도입한 시각화 및 설계 지원 사례가 점차 증가하고 있다. 특히 복합적 사용자 요구를 반영해야 하는 치료·교육·휴식 기반 공간에서 Stable Diffusion과 Midjourney가 설계 정확성 향상, 공간 개념의 빠른 시각화, 이해관계자 간 의사소통 개선에 기여한 것으로 보고되고 있다. 이러한 선행 사례는 유사한 설계 원칙과 사용자 경험을 중시하는 치유정원 설계에도 생성형 AI 접근법이 효과적으로 적용될 수 있음을 시사하며, 본 연구의 필요성과 타당성을 뒷받침한다.

이처럼 기존 연구들은 Midjourney, DALL·E 등 접근성이 좋은 AI 도구를 중심으로 조경설계 시각화를 시도했으나, 정량적 평가 체계의 부재와 각 AI 도구의 한계와 개선 방안에 대한 심층적인 분석이 미흡하다는 등 공통적인 한계를 지닌다(표 1 참조).

본 연구는 주제 정원 중 치유정원에 대한 AI 기반 설계 시각화 방법을 탐색해 보는 것을 그 목적으로 한다. 다양한 이미지 생성형 AI 모델 중 Stable Diffusion 모델을 분석 대상으로 하며, 주요 확장 기능(Text-to-Image, Image-to-Image, Checkpoint, LoRA)별 결과를 비교하여 치유정원 설계기준을 가장 효과적으로 반영할 수 있는 AI 기반 시각화 방법을 탐색하고자 하였다. 치유정원 설계기준을 프롬프트 구조로 체계화하고 각 기능에 대한 정성 및 정량평가를 수행하였다. 정성평가를 위해 ChatGPT 기반 AI 평가를 수행하여 각 기능의 시각화 성능을 비교·분석하였으며, 정량평가를 위해 CLIP Score를 활용하였다.

본 분석은 Stable Diffusion 주요 확장 기능 간의 시각적 완성도 차이를 객관적으로 비교하고 설계 시각화 성능이 가장 안정적인 확장 기능을 탐색하고자 하였다. 본 연구는 다음과 같은 두 가지 질문을 중심으로 전개된다. 첫째, 이미지 생성형 AI는 치유정원과 같은 주제정원 설계의 복합적 요구사항을 종합적으로 반영할 수 있는가? 둘째, 반영한다면 텍스트-이미지 의미 일치도 측면에서 프롬프트가 어느 정도 정확하게 반영되어 설계기준과 일치하는 시각적 결과물을 생성할 수 있는가? 그리하여 본 연구는 조경설계 분야에서 이미지 생성형 AI의 실질적 활용 가능성을 검증하고, 주제정원 설계에서의 AI 도구의 활용 방향과 설계 단계별 적용 가능성을 제시함으로써 조경설계 교육 및 실무에서의 참고자료로 활용하고자 한다.

본 연구는 주제정원 가운데 치유정원을 연구 대상으로 설정하였다. 치유정원(therapeutic garden)은 치유의 요소를 적극적으로 도입한 정원의 형태로, 목표효과에 따라 특정 사용자나 집단의 요구를 충족하도록 설계된 정원이다. 정원의 다양한 기능과 자원을 활용하여 치유 요소와의 상호작용을 촉진하고 신체적·정신적 건강 회복 및 유지·증진을 위해 의도적으로 설계된 기능성 정원이다(국립수목원, 2024). 또한 치유정원은 조경디자인의 미적 완성도가 중시된 공간이 아닌 이용자의 특수한 요구사항에 부합되며, 이용자 특성에 대한 배려 등이 적용된 실용적인 공간이어야 한다고 정의하였다(Adil, 1994; Rothert, 1994; Relf and Dorn, 1995; Stoneham and Thoday, 1996; Cooper, 1999). 따라서 치유정원은 치료적 환경뿐만 아니라 공간의 물리적, 심리적, 문화적, 사회적 지원을 통한 포괄적인 공간을 말하며, 여기에 조경기술을 활용하여 조성된 정원을 의미한다(천현우와 이시영, 2016). 또한, 치유정원의 유형으로는 이용자의 특성과 장애 형태, 적용 장소에 따라서 5가지 유형으로 나누어 크게 감각자극 치유정원, 재활 치유정원, 청소년과 장애아동을 위한 치유정원, 고령자 및 장애인을 위한 치유정원, 실험정원으로 분류될 수 있다(박현미 등, 2010).

치유정원은 특정 사용자 집단의 심리·생리적 요구를 반영해야 하는 공간으로, 특히 치매 및 경도인지장애 노인을 위한 체계적 표준 모델로서 대상자 맞춤형 공간계획과 조성 원칙이 중요하다(국립수목원, 2024). 또한 치유정원은 이용자에게 휴식 공간을 제공하고 사회적 접촉을 도모함으로써 삶의 질을 향상시켜 주는 정원을 뜻한다(Marcus and Barnes, 1999). 이러한 치유정원은 모든 이용자가 각자의 속도와 방식으로 정원을 경험하고, 타인과 공유할 수 있도록 전체적 설계 원리를 바탕으로 디자인되어야 한다(차인수, 2012).

이에 본 연구에서는 기존 문헌을 토대로 치유정원의 설계요소를 재구성하여 제시하였다(표 2 참조). 치유정원에 적합한 식재 요소를 선정하기 위해서는 오감 자극 요소에 대한 고려가 필수적이다. 이러한 정원은 시각적으로는 자연 조망과 다양한 색감의 초화류, 청각적으로는 물소리와 바람소리 등 자연의 소리, 후각적으로는 허브 등 향기식물, 촉각적으로는 다양한 질감의 식물과 자연 재료를 통해 오감을 종합적으로 자극한다(최영미, 2007; 박은영과 이형숙, 2014). 특히 끊임없이 변화하는 자연을 통한 오감 자극은 고령자들의 감소된 지각 능력을 회복하는 데 효과적이다(김소희, 2004). 이러한 이론적 고찰을 바탕으로 치유정원에 적합한 오감 자극 식재를 선정하였다(표 3 참조).

또한 본 연구는 국립수목원(2024)이 제시한 치유정원 조성 가이드라인을 준거로 하였다. 가이드라인의 공간구성 원칙을 반영하여 식재공사, 시설물·포장공사, 기초공사 등으로 구성된 평면도(안)을 작성하였고(그림 1 참조), 설계 의도는 다음과 같다. 진출입공간의 경우 시각적 인지도와 상징성을 강화하기 위해 진입부에 요점식재를 배치하고, 이용자 동선 유도와 방향성 제시가 가능하도록 공간을 구성하였다. 보행공간의 경우 이용자가 안전하고 쾌적하게 이동할 수 있도록 주·부동선을 체계화하였다. 주동선은 외부 진출입부에서 정원 내부를 순환하도록 계획하였고, 부동선은 주동선에서 분기되어 다양한 공간을 탐방, 연결할 수 있도록 하였다. 휴식공간의 경우 파고라와 벤치 등 그늘 쉼터를 도입하여 일사 차단과 편안한 체류가 가능하도록 하였으며, 가드닝 프로그램 운영을 고려해 테이블과 벤치 배치를 병행하였다. 식재공간의 경우 주제정원(컬러·향기·질감·소리·참여)의 활용 목적과 특성을 반영하되, 관리 용이성, 경계성, 계절성, 생육환경을 종합 고려하여 교·관목, 초화 및 지피류 중심으로 식재계획을 수립하였다.

그림 1. 치유정원 모델 마스터 플랜 자료: 국립수목원(2024)

Download Original Figure

이러한 치유정원 설계요소는 설계자의 경험과 감각적 판단에 크게 의존하지만, 최근에는 복합적인 치유 환경을 효율적으로 시각화하고 설계 의도를 명확히 전달하기 위해 인공지능(AI) 기술의 도입이 요구되고 있다. 특히 이미지 생성형 AI는 텍스트 기반 프롬프트를 통해 설계요소에 포함된 오감 자극 요소와 배리어프리 구조를 시각적으로 구체화할 수 있어, 치유정원의 설계 및 커뮤니케이션 과정에서 유용한 보조 도구로 활용될 수 있다. 따라서 본 연구에서는 이러한 치유정원 설계요소를 기반으로, 생성형 AI가 설계요소를 얼마나 효과적으로 반영할 수 있는지를 검증하였다.

본 연구의 흐름은 치유정원 설계 시각화에 필요한 설계 요소와 감각 자극 식재를 기반으로 프롬프트를 작성하는 단계에서 시작하였다. 첫째, 선행연구와 설계요소를 바탕으로 치유정원 공간구성 요소와 오감 자극 식재요소를 도출하고 프롬프트를 설계하였다. 둘째, Stable Diffusion의 Text-to-Image, Image-to-Image, Checkpoint, LoRA 네 가지 주요 확장 기능을 동일한 조건에서 적용하여 이미지를 생성하였다. 셋째, 생성된 이미지를 CLIP Score를 활용하여 정량적으로 평가하고, 설계요소를 기준으로 심미성과 기능을 정성적으로 분석하였다. 마지막으로 CLIP Score 결과에서 가장 높은 적합도로 보인 기능을 교차 적용하여 세부 공간 요소를 정밀하게 제어한 최종 시각화 이미지를 도출하였다(그림 2 참조).

그림 2. 연구 흐름도

Download Original Figure

본 연구는 조경설계 구상의 시각화를 위한 이미지 생성형 AI 모델의 활용 가능성을 탐구하기 위해 수행되었다. 이용자가 많은 대표적인 이미지 생성형 AI 모델 중 그림과 유사한 이미지보다는 사실적이고 세밀한 이미지 표현이 가능한 이미지 생성형 AI 모델 3가지 중, 현재 상용화된 주요 Text-to-Image 생성 모델인 Midjourney, DALL·E 및 Stable Diffusion을 대상으로 조경설계 연구에 적합한 모델을 선정하고자 하였다. 세 모델은 모두 Text-to-Image와 Image-to-Image 기능을 지원하며 조경설계 구상의 시각화에 활용할 수 있다(장유리, 2024). 그러나 각 모델은 각각 다른 특성을 보인다(표 4 참조). 표 4에서는 세 모델의 특성을 비교하기 위해 접근성, 확장성, 성능의 세 가지 기준을 적용하였다. Midjourney는 디스코드 플랫폼을 기반으로 하며, 사용자가 입력한 프롬프트가 서버로 전송되어 이미지가 생성된 후 디스코드 채널을 통해 결과물을 수신하는 방식이다. 사실적 묘사력과 예술적 스타일 표현이 우수하나, 외부 데이터 학습이나 세부 제어 기능은 제한적이다. DALL·E는 2021년 1월 OpenAI에서 출시한 자연어 기반 이미지 생성 모델로, 텍스트 입력만으로 현실적인 이미지나 예술 작품을 생성할 수 있다. 웹 기반의 직관적인 인터페이스를 제공해 비전문가도 쉽게 접근할 수 있으나, 폐쇄형 모델 구조로 인해 확장성과 파라미터 제어가 어렵다. Stable Diffusion은 오픈소스 라이선스로 공개된 이미지 생성 AI로, 누구나 수정·재학습 배포가 가능하다. GitHub를 통해 설치 후 사용자의 GPU 환경에서 실행되며, Checkpoint·LoRA·ControlNet 등 다양한 확장 모듈을 적용할 수 있다(손세일, 2024; 장유리, 2024; 남정과 이연준 2025). 세 모델을 접근성, 확장성, 성능의 척도에서 비교하면 Stable Diffusion이 사용자 커스터마이징과 세부 제어 측면에서 가장 유연한 구조를 보인다. 이에 본 연구에서는 조경설계 시각화 목적에 가장 적합한 접근성·확장성·성능을 종합적으로 고려하여 Stable Diffusion을 최종 실험 모델로 선정하였다.

본 연구는 Stable Diffusion의 이미지 생성 절차에서 설계기준을 모델이 해석 가능한 영문 키워드 형태로 변환하고, Positive/Negative 프롬프트를 설정하였다(표 6 참조).

Positive 프롬프트에는 항공(top-down) 시점과 1.8m 이상 휠체어가 통과 가능한 게이트, 1:10 미만의 완만한 경사, 안내 사인과 촉지도 타일이 포함된 비미끄럼 포장을 명시하여 진입부의 배리어프리 요소를 구체화하였다. 순환 체계는 폭 2m의 평탄한 주동선과 각 공간으로 연결되는 보조동선, 울타리 및 회전 노드 등을 포함하도록 기술하였으며, 공간 구성은 진입공간·그늘 쉼터·원예활동 공간으로 명확히 구획하였다. 식재는 오감 자극을 중심으로 시각(계절수와 초화류의 색채), 청각(대나무·갈대·유칼립투스 등 바람소리와 조류 유인), 후각(민트·라벤더·치자·국화 등 향기 식물), 촉각(부드러운 잎·거친 수피·종자), 미각(상추·무·브로콜리 등 식용식물)을 구체적으로 설정하였다. 전반적 분위기는 ‘안전·평온·보편설계’를 지향하도록 하였으며, Negative 프롬프트에는 text, watermark, logo, low quality, blurry 등을 명시하여 품질 저하 요인을 억제하였다. 실험 파라미터는 재현성 확보를 위해 832 × 704, DPM++ 2M Karras, steps = 35, seed = 42, CFG = 7.5로 고정하였고, Image-to-Image에서는 Denoising = 0.6을 적용하였다.

본 연구의 프롬프트는 치유정원 설계기준인 표 3을 기반으로 항목별 키워드를 Stable Diffusion이 인식할 수 있는 영어 명사구 형태로 체계화하였다(표 7 참조). 이를 통해 배리어프리 동선, 오감 식재, 공간 구성 등 복합적인 설계기준이 이미지 생성 과정에 일관되게 반영되도록 하였으며, 설계기준의 논리 구조와 프롬프트 입력 간의 대응 관계를 항목별로 명확히 제시하였다.

한편, 본 연구는 치유정원과 같은 주제정원의 시각화를 대상으로 하였기 때문에 ControlNet 등 형상 제어 중심의 보조 확장 기능은 사용하지 않았다. 이는 형태적 정확도보다는 감성적 분위기, 오감 식재, 배리어프리 공간 등 설계기준 기반 표현의 질적 특성을 검증하는 데 초점을 두었기 때문이다. 동일한 조건에서의 비교·분석을 위하여 동일 프롬프트와 파라미터를 적용하여 각 주요 확장 기능(Text-to-Image, Image-to-Image, Checkpoint, LoRA)의 시각적 완성도를 비교함으로써, 실제 설계 시 Stable Diffusion 확장 기능 선택의 참고자료로 활용하고자 한다.

본 연구에서는 치유정원의 설계 특성을 반영하기 위하여 선행연구 및 관련 설계기준을 검토한 뒤, 심미성과 기능 두 범주를 중심으로 정성적 평가지표를 도출하였다(표 8 참조). 심미성은 형태와 조화미, 색채 및 재료의 사용, 공간 구성의 조화성 등을 포함하였으며, 기능은 진입로와 출입구의 명확성, 동선의 단순성과 예측 가능성, 배리어프리 세부 요소, 오감자극 요소의 충실성 등을 세부 항목으로 설정하였다.

AI 기반 평가 기법의 적용은 이하나(2025)의 연구를 참고하였다. 해당 연구에서는 ChatGPT가 스스로 평가 기준을 도출하고 설계안을 검증하는 과정을 통해, AI 기반 정성평가의 일관성과 반복 가능성을 검증하였다. 이러한 접근은 평가자의 주관 편차를 줄이는 장점이 있으며, 본 연구에서는 이를 응용하여 치유정원 평가지표(심미성, 기능성 등)를 동일한 문항 구조로 제시하고 ChatGPT가 각 항목에 대해 서술형 분석을 생성하도록 하였다. 또한 ChatGPT는 단순한 아이디어 생성에 그치지 않고 설계안의 논리적 타당성과 맥락적 일관성을 점검하는 능력을 지니며, 대상지 조건·이용자 동선·식재 계획 등 텍스트 정보를 바탕으로 설계안의 강점과 한계를 분석하거나 개선 방향을 제안할 수 있다(신동윤, 2024; Zwangsleitner et al., 2024). 이러한 접근은 이미지 품질 평가 분야에서 ChatGPT를 평가도구로 활용한 IQAGPT(Chen et al., 2023), 공간적 추론 및 설계안 검증을 시도한 Tang and Kejriwal(2023) 등에서도 유사하게 확인되었다.

따라서 본 연구에서는 선행연구의 방법론적 틀을 바탕으로, ChatGPT가 각 평가 항목별로 치유정원 시각화 이미지의 강점과 한계를 분석하고 그 근거를 논리적으로 제시하도록 하였다. 이러한 접근은 기존에 전문가의 주관적 판단에 의존하던 정성평가 방식을 보완하며, 문헌 기반의 체계적 분석과 AI의 논리적 추론을 결합함으로써 평가 과정의 객관성과 재현 가능성을 높이는 데 기여하고자 한다.

본 연구는 생성 이미지의 객관적 평가를 위해 CLIP Score(Contrastive Language-Image Pretraining Score)를 정량지표로 채택하였다. CLIP Score는 Hessel et al.(2021)이 제안한 참조 없는(reference-free) 평가 메트릭으로, CLIP 모델의 이미지 인코더와 텍스트 인코더에서 각각 추출된 임베딩 벡터를 L2 정규화한 후 코사인 유사도를 계산하여 산출된다. 값은 0과 1 사이에서 표현되며 사용자의 이해를 돕기 위해 퍼센트 스케일을 사용하기도 하며, 높을수록 텍스트-이미지의 의미적 일치도가 높은 것으로 간주할 수 있다(Hessel et al., 2021; 한종현, 2024). CLIP Score를 선택한 이유는 다음과 같다. 첫째, 기존의 주관적 평가만으로는 일관성과 재현성이 부족하다는 한계가 있으며, CLIP Score는 사람의 평가와 높은 상관성을 가지면서도 정합성을 수치화하여 객관적 비교를 가능하게 한다. 둘째, 치유정원과 같이 표준화된 참조 이미지를 확보하기 어려운 연구 분야에서는 참조 없는 평가 방식이 더욱 적합하다(Hessel et al., 2021). 셋째, 국내 연구에서도 윤승리 등(2024)가 AI 이미지 생성 도구의 농업 적용 사례에서 CLIP Score를 활용해 생성 이미지와 실제 이미지 간 유사도를 정량적으로 평가하였다.

본 연구에서는 OpenAI의 CLIP ViT-B/32 모델을 사용하여 이미지·텍스트 임베딩을 L2 정규화하고, 코사인 유사도를 기반으로 CLIP Score를 산출하였다. 이미지 생성은 동일한 프롬프트와 조건(CFG = 7.5, steps = 35, 832 × 704, sampler: DPM++ 2M Karras, Image-to-Image의 경우 denoising = 0.6)에서 수행하였다. 각 기능(Text-to-Image, Image-to-Image, Checkpoint, LoRA)은 시드 42-46 범위로 5회 반복 생성하여 평균 ± 표준편차(Mean ± SD)를 산출하고 비교하였다. 반복 생성 결과 이미지는 다음과 같다(그림 3 참조).

그림 3. Stable Diffusion 모듈별 치유정원 시각화 결과

Download Original Figure

본 연구에서는 동일 프롬프트를 기반으로 Stable Diffusion의 네 가지 접근(text-to-image, image-to-image, checkpoint, LoRA)에 대해 생성된 이미지를 CLIP Score로 정량 평가하였다(표 9 참조). 분석 결과, LoRA 기반 결과물의 평균 점수는 30.23 ± 3.54로 가장 높았으며, Checkpoint 30.22 ± 1.62, Image-to-Image 29.59 ± 2.12, Text-to-Image 23.95 ± 1.53 순으로 나타났다. 이는 LoRA 및 Checkpoint 기반 접근이 텍스트–이미지 정합도 측면에서 우수함을 시사하였다.

두 기능 간 평균 차이의 통계적 유의성을 검증하기 위해 부트스트랩 검정(bootstrap resampling, n = 10,000)을 실시하였다(표 10 참조). 분석 결과, Image-to-Image는 Text-to-Image 대비 95% 신뢰구간 [3.16, 7.73]에서 유의하게 높은 값을 보였으며, Checkpoint 역시 Text-to-Image 대비 [4.34, 8.26] 구간에서 통계적으로 유의한 차이를 나타냈다. 반면 LoRA와 Checkpoint 간의 차이는 평균 0.00(95% CI: [−3.69, 3.04])으로 유의하지 않아, 두 모델의 성능이 유사함을 확인하였다. 또한 LoRA와 Image-to-Image 간 비교에서는 차이가 −0.65(95% CI: [−3.17, 4.07])로, 통계적으로 유의하지 않았다. 이러한 결과는 LoRA와 Checkpoint 기반 접근이 이미지 생성의 일관성과 표현력 측면에서 안정적인 성능을 보임을 의미하였다.

본 연구는 앞선 CLIP Score 정량평가 결과를 바탕으로, LoRA와 Checkpoint 기반 모델이 각각 텍스트–이미지 정합성과 조형성 측면에서 우수한 경향을 보임을 확인하였다. 이에 두 모델의 장점을 통합하기 위해 Checkpoint 기반 모델(landscapesupermix_v21)과 LoRA 기반 모델(landscapeplan-v10da4: LoRA)을 결합하여 최종 치유정원 시각화를 도출하였다. 이 조합은 Checkpoint의 사실적 재질감과 안정적 공간구성, LoRA의 곡선적 패턴과 식재 조직 표현력을 상호 보완적으로 결합함으로써, 단독 모델에서 나타났던 한계를 개선하였다. 그 결과, 현실성과 창의적 조형성이 균형을 이루는 시각화를 구현하였다(그림 5 참조).

그림 5. LoRA+Checkpoint로 생성된 치유정원 시각화 결과

Download Original Figure

생성된 결과물은 심미성과 기능 측면에서 다음과 같이 평가된다. 첫째, 심미성 측면에서는 중앙부 원형 식재대와 곡선·직선 동선의 조합이 형태미와 공간 위계를 강화하였으며, 다양한 수목과 초화류의 색채 대비가 조화를 이루었다. 포장과 식재의 경계가 뚜렷하고 스케일이 안정적으로 표현되어 전체적인 시각적 완성도가 높았다. 둘째, 기능 측면에서는 출입구와 순환형 동선이 명확하게 구획되어 접근성과 예측 가능성이 향상되었으며, 식재·휴식 공간의 구분 또한 분명하게 표현되었다. 다만 배리어프리 세부 요소나 오감 식재 표현은 상대적으로 단순하게 나타나는 한계가 있었다.

종합적으로, Checkpoint+LoRA 조합은 앞선 네 가지 기능(Text-to-Image, Image-to-Image, Checkpoint, LoRA)보다 높은 시각적 완성도를 보였으며, CLIP Score 또한 32.93 ± 1.31로 가장 높은 수치를 기록하였다.

또한 부트스트랩 검정 결과, Checkpoint 대비 95% 신뢰구간 [0.83, 4.48]에서 통계적으로 유의한 차이를 보여, 두 모델의 결합이 실제로 성능 향상에 기여했음을 확인하였다. 이로써 Checkpoint와 LoRA의 교차 적용은 치유정원 시각화의 효과적인 접근법으로 평가될 수 있으며, 향후 실제 설계 적용을 위해서는 배리어프리(BF) 설계 요소와 오감 식재 표현의 보완이 필요할 것으로 판단된다.