Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
DreamUV는 생성적 플로우 매칭(Flow Matching)을 활용하여 아티스트의 스타일을 반영한 3D UV 언랩 레이아웃을 생성하는 엔드투엔드 프레임워크입니다. 기존 방식의 한계를 넘어 직선적인 심(seam)과 축 정렬된 아일랜드를 생성하며 실제 제작 공정에 적합한 결과를 제공합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기UV 파라미터화(UV parameterization)는 3D 콘텐츠 제작의 핵심적인 단계이지만, 기하학적 왜곡(geometric distortion) 목표와 전문 아티스트의 스타일적 선호도 사이의 간극으로 인해 실제 제작에 즉시 사용 가능한 UV 레이아웃을 생성하는 것은 여전히 어려운 과제로 남아 있습니다. 전통적인 방식들은 수작업으로 설계된 에너지 함수(energy functions)를 최적화하는 반면, 아티스트가 작성한 UV는 직선화된 심(seams), 축 정렬된 아일랜드(axis-aligned islands), 유연한 내부 변형(interior deformation)과 같은 구조적 패턴을 보이는데, 이러한 특성들은 명시적으로 공식화하기 어렵습니다. 본 연구에서는 UV 언랩(unwrapping)을 생성적 플로우 매칭(Flow Matching) 문제로 공식화하는 엔드투엔드(end-to-end) 학습 프레임워크인 DreamUV를 제안합니다. DreamUV는 단일한 최적의 파라미터화를 예측하는 대신, 노이즈 샘플을 아티스트 스타일의 UV 레이아웃 분포로 매핑하는 메시 조건부 전송 프로세스(mesh-conditioned transport process)를 학습합니다. 실제 제작 관행을 반영하기 위해, 우리는 심(seam) 기하학을 우선시하는 경계 인식 학습 전략(boundary-aware training strategy)과 샘플링 중 발생하는 이산화 오차(discretization errors)를 명시적으로 고려하고 이질적인 감독(heterogeneous supervision) 하에서 전송 역학(transport dynamics)을 안정화하는 모델 인 더 루프 미세 조정(Model-in-the-Loop Finetuning, MITL) 체계를 도입합니다. 우리는 전문적으로 작성된 UV 레이아웃의 대규모 데이터셋을 통해 DreamUV를 평가합니다. 실험 결과, 우리의 방법은 경쟁력 있는 왜곡 지표를 유지하면서도 기존의 전통적 방식 및 학습 기반 베이스라인(baselines)보다 훨씬 더 직선적인 경계와 더 조밀한 축 정렬 아일랜드를 생성함을 입증했습니다. 정성적 결과와 전문 아티스트를 대상으로 한 사용자 연구는 DreamUV가 유효할 뿐만 아니라 실제 제작 요구 사항과 일치하는 UV 레이아웃을 생성한다는 것을 추가로 확인시켜 줍니다.