Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
게임 내 NPC 애니메이션 연산량을 줄이기 위해 카메라 거리별로 ML 모델의 추론 정밀도를 조절하는 AI LOD 프레임워크를 제안합니다. 거리 기반으로 양자화된 모델(FP32, FP16, INT8)을 선택하여 시각적 품질 저하 없이 연산 효율을 극대화합니다.
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 바로가기현대 게임 엔진은 학습된 동작 모델 (learned motion models)을 사용하여 NPC를 애니메이션화하는 데 상당한 연산량을 소비합니다. 본 논문은 각 NPC와 플레이어 카메라 사이의 거리에 따라 머신러닝 추론 (machine learning inference) 정밀도를 조정하는 프레임워크인 AI Level of Detail (AI LOD)를 제안합니다. 핵심 아이디어는 고전적인 기하학적 LOD (Level of Detail)를 반영하는 것입니다. 즉, 차이가 인지되지 않는 곳에서는 더 저렴한 근사치 (approximation)로 대체하는 것입니다. 여기서 근사치는 폴리곤 수가 적은 메쉬 (mesh)가 아니라, 정밀도가 낮은 양자화된 (quantized) 머신러닝 모델입니다. 본 연구의 기여는 AI LOD 개념 그 자체에 있습니다. 즉, 추론 시점의 양자화 (inference-time quantization)가 AI 기반 캐릭터 애니메이션을 위한 LOD 축 역할을 할 수 있다는 점이며, 더 넓게는 맥락에 따라 지각적 민감도 (perceptual sensitivity)가 달라지는 모든 AI 기반 런타임 시스템에 적용될 수 있다는 점입니다. Li 등의 컨볼루션 시퀀스 투 시퀀스 (convolutional sequence-to-sequence) 모델을 대표적인 예시로 사용하여 개념을 입증하였으며, 학습된 체크포인트는 런타임 시 거리 기반 선택기 (distance-based selector)에 의해 라우팅되도록 세 가지 ONNX Runtime 변체 (FP32, FP16, 그리고 per-tensor INT8)로 내보내졌습니다. CMU Mocap 데이터셋을 통한 평가 결과, 각 정밀도 단계가 할당된 거리 범위 내에서 인지 가능한 저하 없이 제공될 수 있다는 초기 증거를 확보하였으며, 이는 거리 인식 ML 모델 정밀도 선택이 AI 기반 캐릭터 애니메이션을 위한 실행 가능한 LOD 전략이라는 더 넓은 전제를 뒷받침합니다.