렌더플로우: 단 한 번에 끝내는 AI 렌더링

RenderFlow는 플로우 매칭을 바탕으로 한 결정론적 단일 단계 신경 렌더링 프레임워크다. 희소 키프레임 안내를 선택적으로 활용해 물리적 개연성과 이미지 품질을 보강하면서 근실시간 성능을 목표로 한다.

전통적인 물리 기반 렌더링은 빛의 이동을 계산해 사실적인 이미지를 만들지만, 계산량이 크다는 부담이 있다. RenderFlow는 이 지점을 겨냥해, 지오메트리 버퍼(G-buffer)를 조건으로 받아 결과 이미지를 만드는 신경 렌더링 방식을 제안한다. 논문의 핵심은 여러 차례 반복하는 확산 과정 대신 플로우 매칭을 이용해 한 번의 결정론적 단계로 렌더링을 수행하는 데 있다.

기존 생성형 렌더링은 반복 추론으로 인한 지연과 확률적 출력으로 인한 물리적 정확도·시간적 일관성의 한계를 안고 있다. RenderFlow는 단일 단계 파이프라인으로 이를 줄이고, 사실적인 품질과 근실시간 성능의 균형을 목표로 한다. 공식 설명에 따르면 이 방식은 현대 생성 모델의 효율과 물리 기반 렌더링의 정밀도 사이를 잇는 접근이다.

품질과 일반화 성능을 높이기 위해 희소하게 렌더링한 키프레임을 안내 정보로 선택해 넣을 수 있다. 이 안내 모듈은 출력의 물리적 개연성과 전반적 시각 품질을 강화하도록 설계됐다. 즉, 모든 프레임을 무겁게 계산하는 대신 제한된 기준 프레임을 활용해 렌더링 결과를 보정하는 구조다.

연구진은 사전 학습된 순방향 모델을 가벼운 어댑터 모듈과 결합해 intrinsic decomposition이라는 역렌더링 작업에도 적용했다. 하나의 기반 모델을 다른 시각 속성 분해 작업으로 전환할 수 있음을 보이며, RenderFlow를 단순한 속도 개선을 넘어 확장 가능한 신경 렌더링 프레임워크로 제시한다.

Maru