게임 영상 1분 이상 학습 데이터셋 'GameVerse' 공개

핵심 요약

• 인터랙티브 월드 모델이 생성하는 게임 환경은 현재 약 1분 이상 일관성을 유지하지 못하는데, 이는 모델 성능이 아니라 장기간 학습 데이터 부족 때문이다.
• 기존 게임 영상 데이터셋은 10초 이하 클립으로 이루어져 있고 캡션도 거칠어서 장시간 제어 생성에 부적합하다.
• 연구팀이 공개한 GameVerse는 1~2분 길이의 게임 플레이 영상으로 구성되며, 69.7K개 클립, 1,655시간, 3억 4,960만 프레임 규모이다.
• 기존 데이터셋 대비 약 10배 길이의 연속 2분 시퀀스 1,358시간을 포함한다.
• 각 클립은 통일된 파이프라인으로 처리되며 장면 분할, 품질 필터링, 카메라 자세 추정, 이벤트 기반 캡션 주석이 포함된다.
• 카메라 궤적이 분 단위로 안정적으로 유지되고, 캡션은 정적 배경과 동적 전경 이벤트를 구분하며 고정 시간이 아니라 이벤트 경계에 맞춘다.
• GameVerse는 규모, 다양성, 주석 품질에서 기존 공개 데이터셋을 능가한다.
• GameVerse로 훈련한 인터랙티브 월드 모델은 생성 가능한 시간 범위를 대폭 연장할 수 있다.