Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 기존 비디오 생성 모델이 연기, 불 등 유체 현상을 물리 법칙에 맞게 구현하는 데 실패하는 문제를 해결합니다. 연구진은 Houdini 시뮬레이션 데이터와 야외 유체 데이터를 결합하여 훈련된 '유체 사전 지식(fluid prior)'을 개발하고, 이를 비디오 생성 모델에 주입했습니다.
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 바로가기비디오 생성 모델은 시각적으로 매력적인 움직임을 만들어내지만, 연기, 불, 폭발 잔해물과 같은 유체 현상에서는 체계적으로 실패합니다. 이 경우 출력물은 일관된 와류 구조(vortical structure)를 갖추지 못하고 실제 유체의 물리 법칙을 위반하는 평범한 역학으로 무너집니다. 기존의 솔버들은 높은 물리적 충실도를 달성하지만, 상세한 3D 장면과 세심하게 조정된 파라미터를 요구하여 야외(in-the-wild) 이미지 및 비디오 생성에는 실용적이지 않습니다. 우리는 이 격차를 해소하기 위해, 고충실도 Houdini 시뮬레이션 데이터와 쌍을 이루는 속도장(velocity-field)의 정답(ground truth), 그리고 외관 다양성을 위한 선별된 야외 유체 비디오 데이터를 혼합하여 훈련한 데이터 기반 유체 사전 지식(fluid prior)을 사전 훈련된 비디오 모델에 주입합니다. 우리 접근 방식의 핵심은 RGB와 함께 프레임별 속도장을 예측하는 이중 스트림 아키텍처로, 시뮬레이션 정답에 의해 지도 학습됩니다. 이 보조 신호는 생성을 물리적으로 일관된 움직임 쪽으로 정규화하고 해석 가능한 물리적 양을 노출하며, 우리는 이를 속도 인식 직접 선호 최적화(velocity-aware direct preference optimization)를 위한 보상으로 추가 활용합니다. 우리의 모델은 강력한 비디오 베이스라인 및 최적화 기반 방법들보다 훨씬 더 사실적인 유체 역학 시퀀스를 생성합니다. 프로젝트 페이지: https://y-zheng18.github.io/FluidGen/