Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 서베이는 3D 메쉬의 시각적 사실성을 높이기 위한 신경망 기반 텍스처링 기술의 발전 과정을 다룹니다. GAN부터 최신 확산 모델(Diffusion)까지의 방법론을 분류하고, 주요 아키텍처와 데이터셋, 향후 과제를 포괄적으로 검토합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.GR (Graphics)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기3D 메쉬 (3D meshes)에 텍스처링 (Texturing)을 하는 것은 디지털 객체와 장면의 시각적 사실성을 결정하는 데 매우 중요한 역할을 합니다. 최근 Neural Radiance Fields (NeRF) 및 Gaussian Splatting에 기반한 생성형 3D 접근 방식들이 텍스처가 입혀진 에셋을 직접 생성할 수 있음에도 불구하고, 다각형 메쉬 (polygonal meshes)는 모델링, 애니메이션, 시각 효과 (visual effects), 그리고 게임 파이프라인 전반에 걸쳐 핵심적인 표현 방식(representation)으로 남아 있습니다. 따라서 신경망 기반 3D 메쉬 텍스처링 (Neural 3D mesh texturing)은 계속해서 필수적이고 활발한 연구 분야로 자리 잡고 있습니다. 본 서베이 (survey)에서는 텍스처 합성 (texture synthesis), 전이 (transfer), 그리고 완성 (completion) 방법을 다루며, 신경망 기반 3D 메쉬 텍스처링의 최근 발전 사항에 대한 포괄적인 검토를 제시합니다. 먼저 메쉬 기하학 (mesh geometry), 텍스처 매핑 (texture mapping), 미분 가능한 렌더링 (differentiable rendering), 그리고 신경망 생성 모델 (neural generative models)의 주요 기초를 요약한 후, 초기 GAN 기반 방법부터 현대의 확산 모델 (diffusion) 기반 파이프라인에 이르는 통합된 분류 체계 (taxonomy)로 문헌들을 정리합니다. 나아가 공통적인 아키텍처 (architectures)와 지도 학습 전략 (supervision strategies)을 분석하고, 데이터셋 및 평가 프로토콜 (evaluation protocols)을 검토하며, 새롭게 등장하는 응용 분야, 실무/상업적 시스템, 그리고 해결해야 할 과제들을 논의합니다. 이러한 통찰들을 통해 현재의 기술 지형에 대한 구조화된 관점을 제공하고, 학습 기반 3D 메쉬 텍스처링의 향후 발전을 안내하고자 합니다.