AI로 작은 방이나 게임 배경의 컨셉 이미지를 만드는 것은 쉬워졌습니다. 하지만 그 이미지를 3D 씬 (Scene)으로 사용하려면 책상, 의자, 램프, 선반, 식물 등을 부품으로서 다룰 수 있어야 합니다.

이 기사에서는 AI 생성 이미지로부터 3D 모델 부품을 만드는 워크플로우 제안을 정리합니다. 실제 코드가 아니라 구현 방침에 가까운 메모입니다.

씬 전체를 그대로 3D화하기 어려운 이유

한 장의 씬 이미지를 그대로 3D화하려고 하면, 부품끼리 붙어버리거나, 뒷면이나 측면이 모호해지거나, 나중에 배치를 변경하기 어려워집니다.

게임이나 Web 3D에서 사용하려면, 씬 전체가 아니라 부품별로 3D 모델화하는 것이 관리하기 쉽습니다.

전체 워크플로우

• AI로 씬 이미지를 만든다
• 의자, 책상, 램프 등을 부품별로 추출한다
• 흰색 배경의 단독 이미지로 정리한다
• image-to-3D로 부품별로 3D 모델화한다
• GLB, OBJ 등으로 저장한다
• 생성 로그와 실패 로그를 남긴다
• 필요에 따라 후공정에서 배치 및 조정한다

【이미지 설명 점유｜프로세스 맵】Scene Image → Object Extraction → Individual Cleanup → Image-to-3D → GLB/OBJ Export → Scene Assembly 의 흐름도. Feishu 내에서 작성 가능.

[이미지]

씬 이미지의 프롬프트 예시

부품화하기 쉬운 씬으로 만들려면, 물체끼리 너무 겹치지 않게 하는 것이 중요합니다.

isometric small cozy room scene,

separate visible furniture objects,

desk, chair, table lamp, bookshelf, potted plant, rug,

consistent toy-like style, clean composition,

objects not overlapping too much,

no people, no text, no logo

부품 이미지의 프롬프트 예시

추출한 부품을 다시 생성할 경우에는, 흰색 배경의 단독 오브젝트로 만들면 Image-to-3D에 전달하기 쉽습니다.

single wooden chair object,

white background, full object visible,

front three-quarter view, clear silhouette,

soft studio lighting, no text, no logo, no shadow

디렉토리 구성

batch_3d_parts/
scene_images/
room_scene_001.png
object_images/
room001_chair_001.png
room001_desk_001.png
room001_lamp_001.png
room001_plant_001.png
generated_models/
room001_chair_001.glb
room001_desk_001.glb
logs/
jobs.csv
errors.csv
batch_generate.py

명명 규칙

나중에 씬으로 되돌리는 것을 고려하면, 파일 이름에 scene id, object 명, 일련번호를 넣어두면 편리합니다.

{scene_id}{object_name}{index}.png

room001_chair_001.png

room001_lamp_001.png

room001_bookshelf_001.png

API 호출 방식의 의사 코드 (Pseudo code)

실제 API 사양은 사용하는 서비스에 맞춰야 하지만, 배치 처리의 구조는 대체로 다음과 같습니다.

from pathlib import Path

import csv

import time

IMAGE_DIR = Path("object_images")

MODEL_DIR = Path("generated_models")

LOG_DIR = Path("logs")

MODEL_DIR.mkdir(parents=True, exist_ok=True)

LOG_DIR.mkdir(parents=True, exist_ok=True)

def submit_image_to_3d(image_path: Path) -> str:
"""
여기서 Image-to-3D 서비스에 이미지를 전송한다.
반환값은 job_id를 상정.
"""

return "dummy_job_id"

def wait_result(job_id: str) -> str:

"""

job_id를 폴링하여, 생성 모델의 URL 또는 파일 경로를 반환하는 것을 가정합니다.

"""

while True:

status = requests.get(...)

if status == "done":

return result_url

time.sleep(5)

return "dummy_result_url"

def download_model(result_url: str, out_path: Path):

"""

생성 결과를 저장합니다.

"""

data = requests.get(result_url).content

out_path.write_bytes(data)

out_path.write_text("placeholder")

rows = []
errors = []
for image_path in sorted(IMAGE_DIR.glob("*.png")):
out_path = MODEL_DIR / f"{image_path.stem}.glb"
try:
job_id = submit_image_to_3d(image_path)
result_url = wait_result(job_id)
download_model(result_url, out_path)
rows.append({
"image": image_path.name,
"model": out_path.name,
"job_id": job_id,
"status": "done"
})
except Exception as e:
errors.append({
"image": image_path.name,
"error": str(e)
})
with (LOG_DIR / "jobs.csv").open("w", newline="", encoding="utf-8-sig") as f:
writer = csv.DictWriter(f, fieldnames=["image", "model", "job_id", "status"])
writer.writeheader()
writer.writerows(rows)
with (LOG_DIR / "errors.csv").open("w", newline="", encoding="utf-8-sig") as f:
writer = csv.DictWriter(f, fieldnames=["image", "error"])
writer.writeheader()
writer.writerows(errors)

로컬 생성과 클라우드 생성의 비교
방식
장점
주의사항

로컬 생성
환경을 관리할 수 있고, 검증하기 쉽다
GPU, 의존성(dependency), 설정이 무겁다
클라우드 생성
환경 구축이 가볍고, 바로 시도할 수 있다
API 제한, 비용, 작업(job) 관리가 필요

클라우드형 툴을 사용할 경우
부품별로 이미지를 준비하여 3D화하는 용도로는 Hi3D와 같은 툴이 사용하기 쉽습니다. 단일 이미지에서 3D 모델을 생성하고, 여러 형식으로 출력할 수 있어 부품 관리 워크플로우에 통합하기 쉽습니다.

부품화 시 주의사항
주의사항
이유

부품을 너무 많이 겹치지 않게
잘라낼 때 형태가 알아보기 어려워진다
흰색 배경으로 정리한다
생성 대상을 명확히 할 수 있다
소품은 크게 잘라낸다
세밀한 부분이 무너지기 어렵다
실패 로그를 남긴다
재생성이나 프롬프트 수정에 사용할 수 있다
용도별로 형식을 선택한다
GLB, OBJ, STL 등에서 후반 작업이 달라진다

요약
3D 모델 생성 AI를 사용할 경우, 장면 전체를 한 번에 3D화하는 것보다 부품별로 생성하는 것이 다루기 쉬운 경우가 있습니다. 특히 소품, 가구, 배경 파츠와 같은 단일 객체에서는 부품화 워크플로우가 유효합니다.

AI 생성 장면을 3D화하려면, 우선 '부품으로 분리한다'는 전제를 깔고 접근하면 나중에 편집 및 배치하기 쉽습니다.