FastComposer Tuning-Free Multi-Subject Image Generation with Localized Attention

25 분
12062 단어
카테고리:
paper-review with-gpt

논문 : https://arxiv.org/abs/2305.10431

아래글은 Scholar GPT와 대화를 나눈 내용입니다.

Q : 논문의 핵심 내용과 강점, 알고리즘 설명, 그리고 한계점

논문 요약 및 주요 내용 분석

논문 제목: “FastComposer: Tuning-Free Multi-Subject Image Generation with Localized Attention”
저자: Guangxuan Xiao, Tianwei Yin, William T. Freeman, Frédo Durand, Song Han (MIT)

이 논문은 다중 주제 이미지 생성에 중점을 두고 있으며, 특히 개인화된 이미지 생성에서 효율적인 방법을 제안합니다. 기존 방법들은 새로운 주제를 모델에 반영하기 위해 모델을 개별적으로 미세 조정(fine-tuning) 해야 하며, 이는 시간과 메모리 비용이 매우 크다는 문제가 있었습니다. 반면, FastComposer는 이러한 미세 조정 없이 다중 주제 이미지를 생성할 수 있는 새로운 접근 방식을 제안합니다.

주요 기여 및 독창성

  1. 튜닝 없는 다중 주제 이미지 생성:

    • FastComposer는 이미지 인코더를 통해 추출한 **주제 임베딩(subject embeddings)**을 사용하여, 기존 텍스트 조건을 보강합니다. 이를 통해 모델 튜닝 없이도 주제별 개인화된 이미지를 생성할 수 있습니다.
    • 주제 임베딩을 통해 주제의 정체성을 유지하면서도 텍스트 지시에 따라 이미지의 내용을 자유롭게 편집할 수 있도록 합니다.

  2. 교차 주의 집중 지도(Cross-Attention Localization Supervision):

    • 다중 주제 이미지 생성 시 발생하는 정체성 혼합(identity blending) 문제를 해결합니다. 이를 위해 학습 중 세그멘테이션 마스크를 활용한 주의 집중 지도를 도입하여, 각 주제가 올바르게 매핑되도록 합니다.
    • 이는 학습 시에만 필요하며, 추론 시에는 추가적인 세그멘테이션 과정이 필요하지 않습니다.

  3. 지연된 주제 조건(Delayed Subject Conditioning):

    • 생성 과정 초기에 텍스트 기반의 조건만을 사용해 이미지의 레이아웃을 구성한 후, 이후 단계에서 주제 임베딩을 추가로 반영합니다. 이를 통해 정체성 보존과 편집 가능성 사이의 균형을 맞춥니다.

핵심 알고리즘 설명: 예시 입력을 통한 과정 분석

FastComposer는 다음과 같은 과정을 통해 이미지를 생성합니다.

예시 입력:

단계별 과정:

  1. 텍스트 및 이미지 인코딩:

    • 텍스트 프롬프트를 CLIP 텍스트 인코더를 사용해 **텍스트 임베딩(ψ(P))**으로 변환합니다.
    • 각 주제 이미지에서 **주제 임베딩(φ(S))**을 추출합니다.

  2. 주제 임베딩과 텍스트 임베딩 결합:

    • 프롬프트에서 “scientist"와 “artist"라는 단어에 주제 임베딩을 연결합니다. 이를 통해 텍스트 조건이 보강된 **최종 임베딩(c’)**을 생성합니다.

  3. 교차 주의 집중 지도 학습:

    • 학습 중에는 주제별 세그멘테이션 마스크를 사용하여 교차 주의 집중 맵(A)이 올바르게 주제를 식별하도록 만듭니다. 이를 통해 정체성 혼합 문제를 방지합니다.

  4. 지연된 주제 조건 적용:

    • 초기 노이즈 제거 과정에서는 텍스트 프롬프트만 사용하여 이미지의 레이아웃을 생성합니다.
    • 이후 단계에서 주제 임베딩을 추가하여 주제의 디테일을 보강합니다. 이를 통해 이미지 내에서 과학자와 예술가의 외형을 정확하게 반영하면서도 텍스트 지시에 따라 다양한 컨텍스트를 생성할 수 있습니다.

  5. 최종 이미지 생성:

    • 모든 단계가 완료된 후, VAE를 사용해 최종 이미지를 생성합니다. 이 과정은 미세 조정 없이 빠르게 수행되며, 메모리 사용량도 기존 방식에 비해 대폭 절감됩니다.

논문의 강점

논문의 한계점

  1. 데이터셋의 한계:

    • 학습에 사용된 FFHQ 데이터셋은 주로 인물의 얼굴 사진에 국한되어 있어, 다양한 주제를 포괄하지 못합니다. 이를 확장하기 위해 더 다양한 주제의 대규모 데이터셋이 필요합니다.

  2. 비인간 주제에 대한 한정된 적용성:

    • 현재 모델은 주로 인간 중심의 이미지 생성에 최적화되어 있어, 동물 또는 비인간 주제에 대한 생성 능력이 제한적입니다.

  3. 기존 모델의 편향성 문제를 계승:

    • FastComposer는 Stable Diffusion과 FFHQ 데이터셋을 기반으로 하기 때문에, 이들이 가지고 있는 편향성(bias) 문제를 그대로 계승할 수 있습니다.

결론

FastComposer는 개인화된 다중 주제 텍스트-이미지 생성의 새로운 가능성을 열어주었습니다. 특히, 미세 조정 없이도 높은 품질의 이미지를 빠르게 생성할 수 있어 다양한 실제 응용 분야에서 활용될 수 있을 것입니다. 다만, 더 다양한 데이터셋을 활용한 추가 연구를 통해 모델의 적용성을 넓히는 것이 향후 과제가 될 것입니다.

Q : 이 논문에서 사용하는 방법을 학습하기 위하여 어떤 데이터셋이 필요할까? 그리고 어떻게 학습을 진행하면 될지 예시를 들어서 아주 자세하게 설명해줘

논문에서 제안된 FastComposer를 학습하기 위해 필요한 데이터셋과 학습 방법

FastComposer는 다중 주제 이미지 생성을 위해 특정한 텍스트-이미지 페어 데이터셋과 세그멘테이션 마스크를 사용합니다. 이 모델이 제대로 작동하기 위해서는 다양한 상황에서 여러 주제를 다룰 수 있는 주제-텍스트-이미지 페어가 필요합니다. 이 섹션에서는 필요한 데이터셋과 학습 프로세스를 예시를 통해 단계별로 자세히 설명하겠습니다.

1. 필요한 데이터셋 구성

FastComposer를 학습하기 위해서는 다음과 같은 데이터셋이 필요합니다.

1.1 텍스트-이미지 페어 데이터셋

1.2 주제 세그멘테이션 마스크

1.3 데이터셋 예시

2. 데이터셋 준비 및 전처리 과정

2.1 데이터셋 전처리

  1. 텍스트-이미지 쌍 생성:

    • COCO 데이터셋과 같은 대규모 데이터셋을 사용해 **이미지 캡션 생성 모델(BLIP-2)**을 이용하여 텍스트 설명을 추가합니다.
    • 텍스트 설명에 포함된 **명사(nouns)**를 추출하여 주제를 정의합니다.

  2. 세그멘테이션 마스크 생성:

    • Mask2Former 모델을 사용해 각 이미지에 대한 세그멘테이션 마스크를 생성합니다.
    • 이미지에서 텍스트와 관련된 객체들을 분할하고, 각 주제의 영역을 식별하는 마스크를 만듭니다.

  3. 텍스트와 마스크의 연결:

    • spaCy 라이브러리를 사용해 텍스트에서 명사구를 추출한 후, 생성된 세그멘테이션 마스크와 연결합니다.
    • CLIP 모델을 활용해 텍스트와 이미지 간의 유사도 점수를 계산하고, Sentence-Transformer를 사용해 텍스트와 세그멘테이션 마스크를 연결합니다.

3. FastComposer 학습 과정

3.1 모델 설정

3.2 학습 단계: 예시를 통한 학습 과정

목표: “A young woman and a cat sitting on a sofa"라는 텍스트 프롬프트와 해당 이미지 쌍을 학습하는 과정

  1. 텍스트 및 이미지 임베딩 추출:

    • 텍스트 프롬프트 “A young woman and a cat sitting on a sofa"를 CLIP 텍스트 인코더를 사용해 **텍스트 임베딩(ψ(P))**으로 변환합니다.
    • 주제 이미지(여성과 고양이)를 CLIP 이미지 인코더를 통해 **주제 임베딩(φ(S))**으로 변환합니다.

  2. 텍스트 임베딩 보강:

    • 추출된 텍스트 임베딩과 주제 임베딩을 MLP 네트워크를 사용해 결합하여 **보강된 임베딩(c’)**을 생성합니다.

  3. 교차 주의 집중 지도 학습:

    • **교차 주의 맵(A)**를 생성하고, 세그멘테이션 마스크를 활용하여 올바른 주제에 대한 주의 집중을 유도합니다.
    • 이를 통해 여성과 고양이의 정체성 혼합을 방지합니다.

  4. 지연된 주제 조건 적용:

    • 초기 단계에서는 텍스트 조건만을 사용하여 기본적인 레이아웃을 생성합니다.
    • 이후 단계에서 주제 임베딩을 추가하여 세부 사항을 보강합니다.

  5. 최적화 및 손실 함수:

    • 손실 함수는 **노이즈 예측 손실(L_noise)**와 **교차 주의 집중 손실(L_loc)**로 구성됩니다.
    • 최종 손실: ( L = L_{noise} + \lambda L_{loc} )
      • 여기서 (\lambda)는 하이퍼파라미터로, 교차 주의 집중 손실의 가중치를 조절합니다.

4. 추론(Inference) 과정

5. 추가적인 고려 사항

요약

FastComposer를 학습하기 위해서는 다양한 주제와 상황을 포함한 텍스트-이미지 페어 데이터셋과 세그멘테이션 마스크가 필요합니다. 이러한 데이터셋을 기반으로 모델을 학습하면 튜닝 없이도 다중 주제 이미지 생성이 가능하며, 생성된 이미지에서 주제 간의 혼합 문제를 해결할 수 있습니다.

Q : 이 논문에서 제시한 결과를 자세하게 보고 다른 방법론에 비하여 특출난 점과 논문에서 제기하는 어떠한 방법이 이러한 결과를 도출하게 되었는지 논문에서 제시하는 이유와 너의 생각을 알려줘

논문에서 제시한 결과 및 분석

FastComposer 논문은 다양한 실험 결과를 통해 제안된 방법론이 기존 접근 방식보다 효율적이고 뛰어난 성능을 발휘한다고 주장합니다. 이 섹션에서는 논문에서 제시한 실험 결과, 다른 방법론에 비해 특출난 점, 그리고 왜 이러한 결과가 도출되었는지를 논문에서 제시한 이유와 제 생각을 결합하여 자세히 설명하겠습니다.

1. 실험 결과 요약

논문에서 제시된 실험은 단일 주제와 다중 주제 이미지 생성을 대상으로 진행되었으며, 다양한 평가 지표를 통해 FastComposer의 성능을 분석했습니다.

1.1 단일 주제 이미지 생성 (Single-Subject Image Generation)

1.2 다중 주제 이미지 생성 (Multi-Subject Image Generation)

2. 다른 방법론에 비해 특출난 점

FastComposer가 기존 방법론들에 비해 두드러지는 이유는 다음과 같습니다.

2.1 튜닝 없는 빠른 성능

2.2 다중 주제 생성에서의 정체성 보존

2.3 지연된 주제 조건(Delayed Subject Conditioning) 적용

3. 논문에서 제시하는 이유와 나의 생각

논문에서 제시한 이유

나의 생각

FastComposer의 접근 방식은 튜닝을 제거하면서도 성능을 유지한 점에서 매우 혁신적입니다. 특히, 다중 주제 생성 시 정체성 보존 문제를 해결한 것은 기존의 방법론들이 풀지 못한 중요한 문제를 해결한 것입니다.

다만, 논문에서 언급된 한계점과 같이, 현재 모델이 주로 인물 사진에 특화되어 있으며, 다양한 주제와 시나리오를 학습하는 데는 한계가 있습니다. 이를 개선하기 위해 더 다양한 데이터셋을 추가하고, 인간이 아닌 주제(예: 동물, 사물 등)에 대한 학습을 확장할 필요가 있습니다. 또한, 모델의 편향성 문제를 해결하기 위해 데이터셋의 다양성 확보도 중요한 과제입니다.

FastComposer의 접근 방식은 추후 실시간 개인화 이미지 생성이나 에지 디바이스에서의 실행 등 다양한 응용 분야에서 확장 가능성이 크다고 생각됩니다. 다만, 학습 데이터의 다양성과 모델의 일반화 성능을 개선하는 추가 연구가 필요합니다.

Q : 이 논문에서 제시된 방법을 실제로 사용하려면 기존 방법에서 어떠한 구현이 추가적으로 필요하고 이러한 구현에 소모되는 공수에 대해서 계산해줄 수 있겠니?

FastComposer 방법을 실제 프로젝트에 통합하기 위한 구현 요구 사항 분석

논문에서 제시된 FastComposer를 기존의 텍스트-이미지 생성 시스템에 적용하려면 여러 추가 구현 작업이 필요합니다. 특히, FastComposer는 교차 주의 집중 지도와 지연된 주제 조건 적용을 포함한 독창적인 기법들을 사용하므로, 이를 기존 시스템에 통합하기 위해 추가적인 코드 작성과 데이터 전처리 작업이 요구됩니다.

다음 섹션에서는 구체적으로 필요한 구현 항목들과 추가적인 공수에 대해 설명합니다.

1. 기존 시스템에서 FastComposer 통합 시 필요한 추가 구현 사항

1.1 데이터 준비 및 전처리

FastComposer는 주제 세그멘테이션 마스크를 사용하여 다중 주제 간의 정체성 혼합 문제를 해결합니다. 이를 위해 기존의 텍스트-이미지 생성 모델과는 추가적인 데이터 전처리 단계가 필요합니다.

1.2 모델 수정 및 구현

FastComposer는 기존의 Stable Diffusion 모델을 기반으로 하지만, 몇 가지 핵심적인 수정 사항이 필요합니다.

  1. 주제 임베딩 및 텍스트 임베딩 통합:

    • 기존 텍스트 인코더(CLIP)를 사용해 텍스트 임베딩을 추출하고, 주제 임베딩을 이미지 인코더를 통해 추가로 생성합니다.
    • 텍스트 임베딩과 주제 임베딩을 MLP 네트워크로 결합하여 보강된 텍스트 표현을 만듭니다.
    • 구현 시간: 약 40~50시간.

  2. 교차 주의 집중 지도:

    • 교차 주의 맵을 생성하고, 세그멘테이션 마스크를 활용하여 주의 집중을 지도합니다.
    • 학습 시에만 이 과정이 필요하며, 추론 시에는 추가적인 비용이 들지 않도록 구현해야 합니다.
    • 구현 시간: 약 30~40시간.

  3. 지연된 주제 조건 적용 (Delayed Subject Conditioning):

    • 생성 과정에서 초기에는 텍스트만 사용하여 레이아웃을 구성한 후, 후반부에 주제 임베딩을 적용하도록 모델을 수정합니다.
    • 노이즈 제거 과정에서 조건 적용 시점을 제어하기 위해 U-Net 모델의 파이프라인을 수정해야 합니다.
    • 구현 시간: 약 30~40시간.

1.3 학습 및 튜닝

2. 필요한 리소스 및 공수 요약

작업 항목소요 시간 (시간)필요한 리소스
데이터 전처리 코드 작성20~30Python, spaCy, CLIP
세그멘테이션 마스크 생성 및 연결100~150Mask2Former, GPU 서버
텍스트 및 주제 임베딩 통합 구현40~50PyTorch, MLP 네트워크
교차 주의 집중 지도 구현30~40U-Net 수정, 세그멘테이션 지도
지연된 주제 조건 적용 구현30~40U-Net 모델 수정
모델 학습 및 튜닝200~300 (GPU 시간)고성능 GPU (A100 등)
하이퍼파라미터 튜닝 및 검증50~100GPU 서버, Python 스크립트
총 소요 시간약 500~700시간

3. 추가적으로 고려해야 할 사항

3.1 하드웨어 요구 사항

3.2 잠재적 문제

4. 결론

FastComposer를 실제 시스템에 통합하려면 기존 Stable Diffusion 기반 모델에 데이터 전처리 및 모델 수정을 추가로 구현해야 합니다. 특히, 세그멘테이션 마스크 생성, 교차 주의 집중 지도, 지연된 주제 조건 적용을 위한 코드 작성 및 학습이 필요합니다. 예상 공수는 500~700시간이 소요되며, 추가적으로 고성능 하드웨어(GPU 서버)와 데이터셋 준비가 필요합니다.

이러한 추가 구현은 초기에는 시간과 자원이 많이 필요하지만, 한 번 구축되면 튜닝 없는 개인화된 이미지 생성이 가능해지므로 장기적으로는 운영 비용 절감과 효율성에서 큰 이점을 얻을 수 있습니다.

Q : 이 논문의 입력 데이터와 추론 과정에 대해서 예시를 들어 아주 자세하게 설명해 주겠니? 추가적으로 모델 아키텍처에 대해서도 설명해줘

FastComposer 논문의 입력 데이터, 추론 과정, 모델 아키텍처 분석

이 섹션에서는 FastComposer의 입력 데이터가 어떻게 구성되고, 추론 과정이 어떻게 이루어지는지에 대해 예시를 통해 상세히 설명합니다. 또한, 모델 아키텍처에 대해 자세히 분석하여 FastComposer가 기존 모델들과 어떤 점에서 차별화되는지 설명하겠습니다.

1. 입력 데이터 구성

FastComposer는 텍스트 프롬프트와 참조 이미지들을 사용하여 다중 주제 이미지를 생성합니다. 이 모델의 입력 데이터는 다음과 같은 요소들로 구성됩니다.

1.1 입력 데이터 예시

1.2 전처리 단계

2. 추론(Inference) 과정 설명

FastComposer의 추론 과정은 다단계로 이루어집니다. 이 과정에서 지연된 주제 조건 적용 및 교차 주의 집중 지도가 중요한 역할을 합니다.

2.1 단계별 추론 과정: 예시를 통한 설명

목표: 텍스트 프롬프트 “A scientist and an artist discussing in a library"와 주제 이미지들(과학자, 예술가)을 사용하여 이미지를 생성합니다.

  1. 텍스트 및 이미지 임베딩 추출:

    • 텍스트 “A scientist and an artist discussing in a library"를 CLIP 텍스트 인코더를 사용해 **텍스트 임베딩 ((ψ(P)))**으로 변환합니다.
    • 주제 이미지(과학자, 예술가)를 CLIP 이미지 인코더를 통해 **주제 임베딩 ((φ(S)))**으로 변환합니다.

  2. 주제 임베딩과 텍스트 임베딩 통합:

    • 텍스트 프롬프트에서 “scientist"와 “artist"라는 단어에 주제 임베딩을 연결합니다.
    • MLP 네트워크를 사용해 텍스트 임베딩과 주제 임베딩을 결합하여 **보강된 임베딩 ((c’))**을 생성합니다.

  3. 이미지 생성 과정:

    • Stable Diffusion 기반의 U-Net 모델에서, 생성 과정 초반에는 텍스트 조건만을 사용하여 이미지의 전체 레이아웃을 형성합니다.
    • Delayed Subject Conditioning (지연된 주제 조건):
      • 초반 60%의 노이즈 제거 단계에서는 텍스트 임베딩만을 사용하여 기본적인 이미지 구조를 생성합니다.
      • 이후 40% 단계에서 주제 임베딩을 추가하여 과학자와 예술가의 외형을 더욱 디테일하게 반영합니다.

  4. 교차 주의 집중 지도 적용:

    • 다중 주제 생성 시, 교차 주의 맵을 사용하여 주제별로 올바르게 집중하도록 지도합니다.
    • 이를 통해 “scientist"와 “artist"가 독립된 정체성을 유지하도록 합니다.

  5. 최종 이미지 생성:

    • 모든 단계가 완료된 후, VAE를 사용해 최종 고해상도 이미지를 생성합니다.
    • 결과적으로, 과학자와 예술가가 도서관에서 토론하는 장면이 텍스트와 주제 이미지에 기반하여 생성됩니다.

3. 모델 아키텍처 분석

FastComposer는 기존 Stable Diffusion 모델을 기반으로 확장한 아키텍처를 가지고 있으며, 텍스트 및 주제 임베딩을 통합하여 개인화된 다중 주제 이미지를 생성합니다.

3.1 아키텍처 개요

3.2 FastComposer의 확장된 아키텍처

FastComposer는 Stable Diffusion을 확장하여 다음과 같은 추가 모듈을 포함합니다.

  1. 텍스트 및 주제 임베딩 통합 모듈:

    • CLIP 텍스트 인코더와 CLIP 이미지 인코더를 사용하여 각각 텍스트 임베딩과 주제 임베딩을 생성합니다.
    • 주제 임베딩을 텍스트 임베딩에 결합하여 보강된 텍스트 조건을 생성합니다.
    • 이 통합된 임베딩은 MLP 네트워크를 통해 최적화된 형태로 변환됩니다.

  2. 교차 주의 집중 지도 (Cross-Attention Localization Supervision):

    • 교차 주의 맵을 통해 텍스트 프롬프트 내의 각 단어가 이미지의 특정 영역에 집중하도록 유도합니다.
    • 다중 주제 생성 시, 세그멘테이션 마스크를 사용하여 각 주제의 영역을 명확히 구분합니다.

  3. 지연된 주제 조건 적용 (Delayed Subject Conditioning):

    • 생성 과정 초기에는 텍스트 기반 조건만을 사용하여 이미지를 생성합니다.
    • 이후 단계에서 주제 임베딩을 반영하여 주제의 디테일을 보강합니다.

3.3 모델 구조의 세부 사항

4. 결론

FastComposer는 텍스트와 주제 임베딩을 통합하고, 교차 주의 집중 지도와 지연된 주제 조건 적용을 통해 다중 주제 이미지 생성에서 정체성 보존과 편집 가능성을 극대화합니다.

이 아키텍처는 향후 실시간 개인화 콘텐츠 생성이나 에지 디바이스에서의 텍스트-이미지 생성에 매우 유용하게 활용될 수 있습니다.

Q : 이 논문의 한계를 극복하기 위한 방법으로 어떤 연구흐름이 있는지 정리해서 자세하게 설명해 줘

FastComposer 논문의 한계와 이를 극복하기 위한 연구 흐름

FastComposer 논문은 기존의 텍스트-이미지 생성 방식에서 개인화된 다중 주제 이미지 생성을 빠르고 효율적으로 수행할 수 있도록 한 혁신적인 접근법입니다. 하지만 논문에서도 언급된 몇 가지 한계점이 존재하며, 이를 개선하기 위한 미래 연구 흐름이 필요합니다. 이 섹션에서는 현재 논문의 한계를 분석하고, 이를 극복하기 위해 현재 진행 중이거나 앞으로 주목받을 수 있는 연구 방향을 제시합니다.

1. 논문의 한계점 분석

1.1 데이터셋의 제한성

1.2 비인간 주제에 대한 한정된 적용성

1.3 모델의 편향성 문제

1.4 지연된 주제 조건 기법의 한계

2. 이 한계를 극복하기 위한 연구 흐름

2.1 더 다양한 데이터셋을 활용한 일반화 성능 개선

2.2 비인간 주제를 위한 추가 연구

2.3 편향성 문제를 해결하기 위한 접근법

2.4 교차 주의 집중 지도와 지연된 주제 조건 개선

3. 최신 연구 흐름 예시

3.1 Tuning-Free 모델 개선

3.2 Multi-Modal Learning 연구

4. 결론 및 제언

FastComposer의 한계를 극복하기 위해서는 다양한 데이터셋의 활용, 비인간 주제에 대한 연구, 모델의 편향성 제거, 그리고 교차 주의 및 조건 적용 기법 개선이 필요합니다. 이러한 연구 방향을 통해 FastComposer는 더욱 일반화된 텍스트-이미지 생성 모델로 발전할 수 있으며, 다양한 실세계 응용 분야에서 더 폭넓은 활용 가능성을 확보할 수 있을 것입니다.

앞으로의 연구는 효율성과 확장성을 동시에 고려하여, 실시간 생성이나 에지 디바이스에서의 텍스트-이미지 생성으로도 적용할 수 있는 방향으로 나아갈 것입니다.

라이선스

저작자: Jaehun Ryu

링크: https://jaehun.me/posts/fastcomposer-tuning-free-multi-subject-image-generation-with-localized-attention/

라이선스: CC BY 4.0

이 저작물은 크리에이티브 커먼즈 저작자표시 4.0 국제 라이선스에 따라 이용할 수 있습니다. 출처를 밝히면 상업적 목적을 포함해 자유롭게 이용 가능합니다.

댓글

검색 시작

검색어를 입력하세요

↑↓
↵
ESC
⌘K 단축키