쌓인 기록에서 찾기
무엇을 찾으세요?
날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위부터 2026년 10월 30일 (금)까지3636건
5건 · "모션 캡처"조건 지우기 ×
001▲ 25 · 댓글 2영상과 3D 모션을 동시에 만드는 AI 모델기존 영상 생성 AI는 픽셀 단위 동작만 만들었지만, 3D 자산을 애니메이션할 수 있는 실제 3D 모션은 반환하지 못했다.AI · 머신러닝 · Joints, Camera, Action! Co-Generating 3D Motion and Video for Arbitrary Rigs
Key Point영상 생성 AI가 3D 애니메이션 제작 파이프라인으로 확장되는 중요한 시점에, 실제 3D 자산을 직접 움직일 수 있는 모션을 만드는 기술이 등장했다.
핵심 요약
- 기존 영상 생성 AI는 픽셀 단위 동작만 만들었지만, 3D 자산을 애니메이션할 수 있는 실제 3D 모션은 반환하지 못했다.
- 이 논문은 텍스트로부터 영상과 3D 모션을 함께 만드는 모델을 제시하며, 임의의 스켈레톤(뼈대)를 지원하고 카메라 위치도 함께 복원한다.
- 기존 방식은 인간 스켈레톤만 처리하거나 매개변수가 수십억 개인 반면, 이 모델은 3D 모션을 별도로 처리하고 미니 크로스 어텐션 레이어로 사전학습된 영상 모델과 연결해 효율성을 높였다.
전체 요약 8문장 읽기 →AI · 머신러닝 · RAR: Rate-Adaptive Rollout for Time-Consistent Interactive World Models
Key Point세계 모델의 기본 제약인 프레임률 고정 문제를 해결하면 더 유연한 실시간 시뮬레이션과 로봇·게임 AI 개발이 가능해진다.
핵심 요약
- 기존 영상 기반 인터랙티브 세계 모델은 고정된 시간 속도로만 학습·생성되어, 실행 속도가 다르면 의도와 달리 느리거나 빠르게 진행되는 문제가 있었다.
- 또한 단일 프레임률로는 정교한 모션 캡처와 긴 시간 지평 사이의 트레이드오프를 피할 수 없었다: 높은 프레임률은 미세한 움직임을 포착하지만 컨텍스트 윈도우 내에서 짧은 기간만 커버한다.
- 논문이 제시하는 RAR(Rate-Adaptive Rollout)은 세계 모델이 제어 가능한 시간 속도로 생성할 수 있게 한다.
전체 요약 7문장 읽기 →AI · 머신러닝 · EgoExplorer: A Vision-Motion-Touch Observatory for Human Loco-Manipulation In Situ
Key Point인간형 로봇의 자연스러운 움직임 학습을 위해 필요한 대규모 멀티모달 데이터셋이 공개되었으며, 센서 최소화 기술로 현장 데이터 수집의 새로운 방향을 제시한다.
핵심 요약
- 인간형 로봇이 인간의 움직임을 학습할 때 보행·자세·물체 상호작용이 어떻게 함께 변하는지 관찰해야 하는데, 기존 데이터셋은 이 조율을 부분적으로만 제공했다.
- 연구팀은 EgoExplorer라는 100시간 규모의 데이터셋을 공개했으며, 착용형 센서 시스템으로 시점 영상과 전신 동작, 손가락 세밀한 움직임, 촉각 정보를 동시에 기록했다.
- 전문적 활동들을 중심으로 연속 녹화된 이 데이터에는 단계별 설명도 함께 제공된다.
전체 요약 8문장 읽기 →AI · 머신러닝 · TERRA: Terrain-Aware Reconstruction, Retargeting and Control for Musculoskeletal Locomotion
Key Point근육 단위로 동작하는 인간형 로봇이 평탄한 곳을 벗어나 실제 불규칙한 지형을 움직이도록 하는 것은 로봇 제어와 애니메이션 분야의 핵심 난제인데, 이 논문이 모션 캡처 데이터로부터 지형을 추론하고 재타겟하는 자동화된 파이프라인을 제시했다.
핵심 요약
- 근육 기반 에이전트가 복잡한 인간 동작을 재현할 수 있게 발전했으나, 지형 정보가 부족해 평탄한 지면에만 국한되어 왔다.
- TERRA는 운동학적 궤적만으로 지형 사전 정보, 접촉 추정, 여유 공간 증거를 결합해 작업 관련 지지 기하학을 복구한다.
- 재타겟 과정에서 해부학적·인대 연속성·접촉 제약 조건을 고려해 근육 동작에 맞게 조정한다.
전체 요약 6문장 읽기 →AI · 머신러닝 · REALM: A Coarse-to-Fine Generative Framework for Embodied Reactive Listening
Key Point대화 상대의 자연스러운 표정 반응을 음성 신호에 정확히 동기화하는 기술이 구현되면서, 구체적인 모션 캡처 데이터와 실제 로봇 배포로 검증된 구체적 성과를 보여줍니다.
핵심 요약
- 대화형 AI가 사람처럼 얼굴 표정과 몸짓으로 반응하는 것을 자동으로 생성하는 기술이 핵심 과제였다.
- 스피커 음성에 정확히 맞춰 반응하되 기존 표정을 자연스럽게 유지하면서, 동시에 예측 불가능한 눈 깜빡임과 짧은 표정까지 캡처해야 한다는 두 가지 도전이 있다.
- REALM이라는 프레임워크는 청자 모션 히스토리와 스피커 음성을 시간차를 중심으로 한 어텐션과 적응 게이팅으로 결합하는 Reactive Gated Speaker-Listener Fusion 모듈을 핵심으로 한다.
전체 요약 6문장 읽기 →