PhotoFlow: 에이전트 기반 3D 가상 사진 촬영 미션

가상 사진 촬영 (Virtual photography)은 에이전트에게 사전 선택된 카메라 포즈나 참조 이미지 없이 준비된 3D 장면(scene)에 진입하여, 장면 정보와 언어적 의도(language intent)로부터 적절한 샷을 추론하고, 실행 가능한 카메라 파라미터(camera parameters)를 선택하며, 최종 사진을 렌더링하도록 요구합니다. 최근 시각-언어 모델 (Vision-language models)의 발전은 이러한 종류의 공간 에이전트 (Spatial agent)를 점점 더 실현 가능하게 만들고 있지만, 이 작업은 함께 평가하기 어려운 두 가지 능력, 즉 복잡한 3D 공간 이해 (3D spatial understanding)와 추상적인 미적 판단 (Abstract aesthetic judgment)을 강조합니다. 우리는 폐쇄 루프 카메라 탐색 (Closed-loop camera search)을 위한 Director-Reviewer-Reflector 에이전트인 PhotoFlow를 소개합니다. Director는 부드러운 사진 청사진 (Soft photographic blueprint)을 구축하고 다양한 후보 카메라를 제안하며, Reviewer는 규칙 검사, 시각적 비평, 그리고 쌍체 비교를 통한 기존 후보 선택 (Pairwise incumbent selection)을 결합합니다. Reflector는 실패를 영역 메모리 (Region memory), 데드존 억제 (Dead-zone suppression), 그리고 높은 탐색을 위한 재배치 (High-explore relocation)로 변환합니다. 우리는 또한 피사체 배치, 관계적 구도, 분위기/스타일을 아우르는 47개의 오픈 라이선스 Blender 장면과 141개의 언어 조건부 사진 촬영 미션으로 구성된 벤치마크인 VPhotoBench를 소개합니다. 홀드아웃 실험 (Held-out experiments)에서 PhotoFlow는 6회의 렌더링 예산 하에서 원샷 예측 (One-shot prediction), 단일 체인 반성 (Single-chain reflection), 앵커 뱅크 선택 (Anchor-bank selection), 그리고 무작위 탐색 (Random search) 중에서 가장 강력한 외부 품질 정렬 (External quality-alignment) 복합 점수와 성공률을 달성했습니다. 우리가 알기로, 이는 임의의 Blender 장면에서 언어 조건부 가상 사진 촬영을 실행 가능한 에이전트 작업으로 만든 첫 번째 연구이며, 우리의 결과는 LLM 중심의 공간 에이전트가 3D 추론과 미적 선택 모두를 시험하도록 설계된 설정에서도 이미 강력한 사진을 생성할 수 있음을 보여줍니다.