전체 글1184 [논문리뷰] 3D 메쉬를 점·선·면 따로따로 "확산"시키면 어떻게 될까? — Nexus: Native Mesh Generation with Diffusion (SIGGRAPH 2026) 이 논문을 고른 이유3D 생성 AI에서 요즘 가장 뜨거운 주제 중 하나가 삼각형 "메쉬(mesh)"를 깔끔하게 만드는 일입니다. 메쉬는 영화·게임·인터랙티브 3D 콘텐츠의 표준 표현 방식인데, 지금까지는 대부분 메쉬를 긴 토큰 시퀀스로 직렬화(serialize)한 뒤 자기회귀(autoregressive) 방식으로 한 토큰씩 생성했습니다(출처: arXiv:2607.13563). 이 방식은 느리고, 앞에서 하나라도 틀리면 뒤로 오차가 누적되는 문제가 있습니다(출처: arXiv:2607.13563). 이번 논문 "Nexus: Native Mesh Generation with Diffusion"은 중국과학원 자동화연구소(MAIS, CASIA)·중국과학원대학교(UCAS) 소속 Hanxiao Wang을 제1저자로,.. 2026. 10. 22. [논문리뷰] 인공위성이 햇빛 때문에 궤도를 벗어난다고? — Photons × Force: Differentiable Radiation Pressure Modeling (SIGGRAPH 2026) 이 논문을 고른 이유빛은 질량이 없지만 운동량은 있습니다. 태양빛이 물체에 부딪히면 아주 미세한 힘, "복사압(radiation pressure)"이 생깁니다. 고도 800km 이상에서는 공기 저항보다 이 복사압이 궤도를 흔드는 가장 큰 비보존력(non-conservative force)이 됩니다(출처: arXiv:2602.10712).그런데 이 힘을 정확히 계산하려면 위성 표면의 모든 점에서 빛이 어떻게 반사·흡수되는지 시뮬레이션해야 해서 계산량이 엄청납니다. 그래서 지금까지는 위성을 공 모양으로 단순화한 "캐논볼 모델" 같은 대충 계산이 많이 쓰였습니다. 이 논문은 그래픽스(렌더링) 기술을 가져와 복사압을 빠르고 정확하게, "미분 가능(differentiable)"하게 계산하는 방법을 제안합니다. 저.. 2026. 10. 22. [논문리뷰] 두 개의 울퉁불퉁한 3D 표면을 완벽하게 겹쳐 매칭할 수 있을까? — Implicit Minimal Surfaces for Bijective Correspondences (SIGGRAPH 2026) 이 논문을 고른 이유3D 캐릭터 리타겟팅, 메쉬 변형, 텍스처 전달 같은 작업을 해본 적이 있다면 "두 모델의 대응점을 정확히 찾는 일"이 얼마나 까다로운지 알 것입니다. 사람 얼굴 스캔 두 개를 겹쳐서 눈은 눈끼리, 코는 코끼리 맞춰야 하는데, 조금만 어긋나면 결과물이 뒤틀리거나 뒤집혀버립니다.이번에 소개할 논문 "Implicit Minimal Surfaces for Bijective Correspondences"는 이 문제를 아예 다른 시각에서 접근합니다. 두 표면 사이의 대응 관계를 직접 그리지 않고, 두 표면을 곱한 4차원 공간 안에 숨겨진 "최소 면적을 가지는 2차원 곡면"으로 간접적으로 표현한다는 아이디어입니다(출처: arXiv:2605.02770). 기하 처리(geometry processi.. 2026. 10. 22. [논문리뷰] "두 이미지를 섞으면 어떤 아이디어가 나올까?" — Inspiration Seeds: Learning Non-Literal Visual Combinations for Generative Exploration (SIGGRAPH 2026) 이 논문을 고른 이유디자이너나 일러스트레이터가 작업을 시작할 때 막막한 순간은 "레퍼런스 두 장을 어떻게 섞어야 할지 모르겠다"는 순간입니다. 요즘 이미지 생성 모델은 텍스트 프롬프트만 잘 쓰면 그럴듯한 결과를 뽑아주지만, "이 두 이미지를 보고 뭔가 떠올려봐"라는 식의 비언어적 탐색은 여전히 어렵습니다. 이 논문은 최종 결과물을 만드는 것이 아니라 아이디어가 떠오르게 하는 생성(generative exploration)을 다룹니다(출처: arXiv:2602.08615).저자는 Kfir Goldberg(BRIA AI, 이스라엘), Elad Richardson(Runway, 미국), Yael Vinker(MIT, 미국)입니다(출처: arXiv:2602.08615). SIGGRAPH 2026 발표 논문으로 .. 2026. 10. 22. [논문리뷰] LoRA 어댑터 20~30개, 슬라이더 대신 "이게 더 나아요"로 섞을 수 있을까? — GimmBO: Interactive Generative Image Model Merging via Bayesian Optimization (SIGGRAPH 2026) 이 논문을 고른 이유Stable Diffusion이나 SDXL로 이미지를 만드는 사람들은 Civitai 같은 커뮤니티 사이트에서 여러 LoRA 어댑터(fine-tuned adapter)를 받아 섞어 씁니다. 캐릭터, 화풍, 조명을 담당하는 어댑터를 섞어 "원하는 그림"을 찾는 식이죠. 보통 어댑터마다 가중치 슬라이더를 두고 사람이 직접 조정하는데, 2~3개면 괜찮지만 20개, 30개가 되면 조합 수가 기하급수적으로 늘어 감당하기 어려워집니다(출처: arXiv:2601.18585).이 논문은 Civitai 이미지 20,780장을 분석해 68%가 어댑터를 하나 이상 썼고, 그중 69%는 2~9개를 동시에 섞어 썼다는 통계를 제시합니다(출처: arXiv:2601.18585). 즉 "여러 어댑터 섞기"는 보편적.. 2026. 10. 22. [논문리뷰] 숏폼 영상 시청시간, AI는 왜 늘 "평균값"만 찍었을까? — FlowTime: Towards Continuous Generative Watch Time Prediction via Flow-based Personalized Priors (KDD 2026) 이 논문을 고른 이유숏폼 추천 시스템에서 가장 중요한 신호 중 하나가 "시청 시간(watch time)"입니다. 영상을 몇 초나 봤는지를 정확히 예측해야 좋은 영상을 더 적절히 추천할 수 있기 때문입니다(출처: arXiv:2606.01352). 그런데 이 논문은 지금까지 나온 WTP(시청 시간 예측) 방법들이 각자 허점을 갖고 있다고 지적합니다. 직접 회귀는 "평균 붕괴(mean collapse)"로 예측이 평균값 근처로 쏠리고, 순서형 회귀는 시간을 구간으로 나누며 정밀도를 잃고, 토큰 단위의 이산 생성형 회귀는 추론 속도가 느리고 구간 설계를 사람이 직접 정해야 합니다(출처: arXiv:2606.01352). "왜 다들 평균만 찍었을까"라는 질문이 흥미로웠습니다. 사람마다 영상을 보는 패턴이 다른데 .. 2026. 10. 22. 이전 1 2 3 4 ··· 198 다음