GPT Image의 동물·몬스터를 3D로 만들고 UniRig·RigAnything으로 리깅하는 연구

큰 귀와 긴 꼬리를 가진 네발 몬스터를 인간형 자동 리깅에 넣으면 본이 엉뚱한 부위에 배치되거나 보조 부위가 빠질 수 있습니다. 이런 캐릭터는 형상 생성뿐 아니라 스켈레톤 구조와 보행을 함께 설계해야 합니다. UniRig·RigAnything의 범용 리깅 연구를 수동 리그와 비교하는 방법을 다룹니다.

AI 원화의 3D 전환 연구 10편. 논문·공개 코드에 근거한 비교 실험이며 모델 실행이나 자동 리깅 성공률을 측정한 결과는 아닙니다.

원화에서 움직임에 필요한 구조를 드러낸다

첫 대상은 큰 귀와 긴 꼬리를 가진 네발 동물 한 종류로 제한합니다. 날개와 여섯 다리까지 동시에 추가하면 리깅 실패 원인을 구분하기 어렵습니다. GPT Image로 정면·측면·후면 참조를 준비하고 발과 몸통, 꼬리 뿌리가 구별되는 중립 자세를 확정합니다.

이미지 기반 3D 생성 도구로 몸의 형상을 얻고 Blender에서 관절 주변을 정리합니다. 다리가 몸통에 붙었거나 꼬리가 배와 한 덩어리가 된 경우에는 먼저 형상을 수정합니다. 스켈레톤 추론이 잘못된 메시의 구조를 자동으로 해결할 것이라고 기대하지 않습니다.

체형과 관절 구조도 분리합니다. 귀가 크다는 것은 외형의 특징이고, 귀가 독립적으로 회전한다는 것은 리그 설계입니다. 발끝이 뒤로 꺾인 형태라면 발목과 발가락의 위치를 별도로 해석합니다. 곡선으로 그려진 꼬리는 기본 포즈와 실제 변형 범위를 정해야 합니다.

UniRig와 RigAnything은 무엇을 제공할까?

UniRig는 스켈레톤 트리를 예측하고 메시와 본 정보를 바탕으로 스키닝 웨이트를 추정하는 연구입니다. 공개 저장소는 코드·체크포인트의 범위와 단계별 제공 상태를 설명하므로 실제 실험에서는 내려받은 가중치의 범위를 확인합니다. 논문의 모든 결과가 현재 공개 체크포인트와 동일하다고 가정하지 않습니다. UniRig 공식 구현, 논문.

RigAnything은 고정된 템플릿에 한정하지 않는 스켈레톤·스키닝 예측을 다루며 공식 구현에 리깅된 출력 경로가 제시되어 있습니다. 다양한 에셋을 대상으로 한 연구라는 사실과 자신의 몬스터가 잘 움직인다는 결론은 구분합니다. RigAnything 공식 구현.

Tripo도 리깅 검사에서 비인간형 리그 유형을 구분합니다. 이를 서비스 기반 비교 조건으로 사용할 수 있지만 자신의 형상에 대한 검사와 리그·동작 지원 범위를 먼저 확인합니다. Tripo 리깅 검사.

AI 생성 개념 이미지: 비인간 캐릭터에서 몸통과 네 다리, 꼬리의 연결 구조를 확인하는 개념을 표현했습니다. 실제 도구 실행 결과가 아닙니다.

같은 메시로 자동 리깅을 비교하는 순서

1. 입력 메시를 고정합니다. 자동 리깅 조건마다 다른 생성 메시를 쓰면 형상과 리깅 성능이 섞입니다. 같은 기준 포즈·단위·메시 버전을 사용합니다.
2. 공개 모델의 입력 조건에 맞춥니다. 형식 변환과 정규화가 필요한 경우 그 과정을 기록합니다. 실행 환경과 코드 커밋, 체크포인트 이름도 남깁니다.
3. 스켈레톤을 검수합니다. 루트와 척추, 앞·뒷다리, 목, 꼬리 뿌리의 위치와 연결을 확인합니다. 큰 귀를 다리처럼 해석한 본이 있다면 오류로 표시합니다.
4. 표준 포즈를 적용합니다. 목 회전, 앞다리 들기, 뒷다리 굽힘, 꼬리 옆으로 휘기를 순서대로 시험합니다. 리그마다 이름이 달라도 같은 운동을 비교합니다.
5. 웨이트를 보정합니다. 다리가 몸통을 과도하게 당기거나 꼬리 본이 배에 영향을 주는 부분을 수정합니다. 필요한 귀와 꼬리 본을 추가합니다.
6. 수동 기준 리그를 준비합니다. 사람이 만든 리그와 자동 출력의 수정 시간을 비교합니다. 자동 리그의 품질뿐 아니라 사용 가능한 상태까지 걸린 시간을 평가합니다.

자동 출력에 애니메이터용 컨트롤이 부족하면 변형 스켈레톤 위에 IK와 제어 본을 추가합니다. 추론된 스켈레톤과 애니메이션 작업용 리그는 역할이 다릅니다. 본이 있다는 이유로 걷기 클립까지 생성됐다고 판단하지 않습니다.

AI 생성 개념 이미지: 네발 보행에서 발 접지와 꼬리 움직임을 함께 검수하는 장면입니다. 실제 도구 실행 결과가 아닙니다.

네발 보행과 꼬리 동작을 만든다

첫 애니메이션은 대기, 느린 보행과 방향 전환으로 정합니다. 대기에서는 발을 바닥에 고정하고 몸통·호흡·귀를 작게 움직입니다. 걷기는 각 발의 지지 구간과 이동 구간을 나누고, 원화의 동물에 적합한 접지 순서를 관찰 자료로 정합니다. 모든 네발 생물이 같은 보행을 쓴다고 가정하지 않습니다.

발이 지지하는 구간에는 발 목표를 고정하고 몸통을 이동합니다. 다리를 움직이는 구간에는 발을 들어 다음 접지 위치로 옮깁니다. 앞·뒷다리의 길이에 맞춰 몸통 높이를 조정하고 꼬리의 움직임은 몸의 방향 변화 뒤에 더합니다. 이 절차로 직접 키프레임을 만든 조건을 기준선으로 둡니다.

기존 동물 클립을 재사용한다면 척추·목·다리·꼬리의 대응과 기준 포즈를 맞춥니다. 본 수가 다른 꼬리와 척추는 움직임을 여러 본에 어떻게 분배할지 정해야 합니다. 인간용 동영상 모션 추정 결과를 네발 캐릭터의 보행 정답으로 사용하지 않습니다.

검수 동작	주로 드러나는 문제	보정 대상
앞발 들기	가슴과 다리가 함께 늘어남	어깨 위치와 웨이트
뒷다리 굽힘	무릎 방향이 반대로 꺾임	본 축·IK 방향
방향 전환	꼬리가 몸통을 관통	꼬리 체인과 회전 분배
느린 보행	발이 바닥을 미끄러짐	접지 구간·루트 이동
고개 숙이기	목과 턱이 찌그러짐	목 토폴로지와 웨이트

표정과 귀의 동작은 전신 클립이 완성된 뒤 추가합니다. 귀 움직임이 원화 인상을 강화하는지 확인하되 본 수를 늘린 비용도 기록합니다. 엔진에서는 일반 스켈레탈 메시와 클립 경로를 확인하고, 인간형 전용 리타게팅 설정에 억지로 맞추지 않습니다. IK 결과는 필요에 따라 변형 본에 베이크합니다.

AI 생성 개념 이미지: 비인간형 캐릭터의 스켈레톤과 동작 구성을 표현했습니다. 본 구조는 개념적 예시입니다. 실제 도구 실행 결과가 아닙니다.

성공률보다 수정 비용과 구조 적합성을 기록한다

UniRig, RigAnything, 수동 리그에 같은 메시와 동작 요구사항을 적용합니다. 잘못된 관절 연결 수, 빠진 보조 본, 웨이트가 다른 부위로 번진 영역, 포즈 오류와 수정 시간을 기록합니다. 특정 캐릭터 한 개의 결과를 범용 성공률로 표현하지 않습니다.

후속 실험에서는 귀·꼬리 크기와 다리 길이만 바꾼 변형 캐릭터를 추가합니다. 원화의 스타일이 달라질 때보다 체형이 달라질 때 리깅 결과가 얼마나 변하는지 분리해 볼 수 있습니다. 얼굴과 색 배치의 보존은 같은 카메라·조명의 렌더로 따로 평가합니다.

최종 산출물은 승인된 원화, 공통 입력 메시, 자동 리그 원본과 수정본, 수동 기준 리그, 본 대응표, 대기·보행·회전 클립과 엔진 캡처입니다. 전체 과정을 기록하면 형상 생성과 리깅 중 어느 단계가 다음 연구의 우선순위인지 판단할 수 있습니다.

자주 묻는 질문

범용 리깅이면 어떤 몬스터도 자동으로 움직이나요? 연구 목표와 개별 모델의 결과는 다릅니다. 본 연결과 웨이트, 사용할 동작을 직접 검수해야 합니다.

자동 리그에 걷기 애니메이션도 포함되나요? 스켈레톤·스키닝 예측과 동작 생성은 별도 단계입니다. 직접 키프레임이나 적합한 기존 클립의 리타게팅을 구성합니다.

정해진 관절축을 직접 설계하는 비교 대상은 로봇 강체 리그 제작입니다. 유기체와 강체를 나누어 보면 생성 형상에 어떤 리깅 전략이 필요한지 더 명확해집니다.