EchoWM으로 여는 오디오·비디오 세계

왜 중요한가

기존 Interactive World Model은 시각 영상만 생성하거나 특정 게임의 행동 공간에 묶이는 경우가 많아, 다양한 장면을 연속 이동하면서 소리와 음성을 함께 유지하기 어려웠습니다. EchoWM은 카메라 의도를 상대적 6-DoF 궤적으로 통일하고, 720p 비디오와 환경음·음악·음성을 공동 생성해 이 문제를 하나의 인터페이스로 다룹니다. WBench Navigation 158개 사례에서 평균 81.7점과 일관성 89.8점을 기록해 탐색 제어와 장면 유지 능력을 함께 평가할 수 있는 기준을 제공합니다.

핵심 기여

오디오·비디오와 연속 탐색을 결합한 World Model

EchoWM은 참조 관찰, 구조화된 장면 설명, 사용자의 연속 이동 궤적을 입력으로 받아 비디오와 오디오를 함께 생성합니다. 환경음과 음성은 영상과 시간적으로 정렬된 상태로 출력되며, 이전 생성 결과를 다음 턴의 문맥으로 재사용합니다. 1인칭과 3인칭 장면을 모두 지원해 관찰자 이동과 캐릭터·카메라·세계의 변화를 같은 생성 체계에 연결합니다.

1인칭과 3인칭을 잇는 Camera-Intent 인터페이스

키보드 명령과 연속 카메라 포즈를 공통 상대 6-DoF 궤적으로 변환해 사용자 입력과 모델 내부 조건을 분리합니다. 1인칭에서는 궤적이 관찰자의 이동을 지정하고, 3인칭에서는 캐릭터 움직임과 카메라 추적의 관계를 데이터에서 학습합니다. 이 구조는 시점별 컨트롤러나 명시적 카메라 리그 없이 서로 다른 데이터 원천을 하나의 경로로 처리합니다.

능력별 신뢰도를 반영한 World Data Engine

내부 게임플레이, 사람이 플레이한 Internet 게임 영상, Unreal Engine 시뮬레이션, 일반 Internet 영상을 결합해 시각·음향·행동·기하 신호를 보완합니다. 비디오와 오디오는 품질 필터링과 구조화된 주석을 거치고, 약 1분 연속 구간에서 포즈를 복원한 뒤 동일한 시간 경계로 짧은 학습 클립을 만듭니다. AV-rich, control-clean, balanced high-quality 혼합물을 따로 구성해 각 학습 단계에서 신뢰할 수 있는 감독 신호를 사용합니다.

점진적 학습과 장기 Autoregressive Post-Training

AV-CPT는 오디오·비디오 생성 prior를 조정하고, Action-SFT는 백본을 고정한 채 궤적 조건화 분기만 학습하며, Joint-FT는 두 파라미터 그룹을 낮은 학습률로 함께 갱신합니다. 이후 Audio-Visual Teacher Forcing과 Self-Gradient Forcing으로 양방향 Diffusion 모델을 causal 청크 생성기로 바꾸고 few-step 샘플링에 적응시킵니다. 긴 자기 생성 롤아웃과 sink-plus-FIFO 문맥을 사용해 누적 오류가 있는 장기 상호작용 상태까지 학습합니다.

핵심 아이디어 이해하기

기존 비디오 생성 모델은 장면의 다음 프레임을 만들 수 있어도 사용자가 원하는 카메라 이동을 연속적으로 따르거나 그 이동에 맞춰 소리와 음성을 유지하기 어렵습니다. 특히 키보드 명령은 게임마다 의미가 다르고, 3인칭에서는 같은 명령이 캐릭터 이동·카메라 추적·지형 제약에 따라 서로 다른 화면 변화를 만듭니다.

EchoWM은 먼저 현재 카메라 포즈를 기준으로 한 상대 6-DoF 궤적을 만듭니다. 3차원 병진과 3축 회전의 연속 변화를 함께 보존하므로, 입력은 키보드일 수도 있고 복원된 연속 포즈일 수도 있지만 생성기는 동일한 기하 조건을 받습니다. 1인칭에서는 이 궤적이 관찰자 운동이 되고, 3인칭에서는 데이터가 학습한 카메라·캐릭터 관계를 통해 캐릭터와 세계의 변화로 이어집니다.

이 궤적은 UCPE 기반 카메라 Attention 분기로 비디오 토큰에 주입됩니다. 절대 광선이나 특정 월드 원점 대신 토큰 사이의 상대 광선 변환을 사용하므로 전역 좌표계 변화에 영향을 덜 받으며, zero-initialized projection이 사전학습 비디오 경로에 필요한 잔차만 추가합니다. 오디오 토큰에는 궤적을 직접 넣지 않고 비디오와 오디오의 Cross-Attention을 통해 영상 변화와 동기화된 소리를 생성합니다.

학습 데이터의 역할도 분리됩니다. 자연스러운 음향과 다양한 장면은 일반 영상과 게임플레이에서 얻고, 정확한 포즈와 제어 가능한 움직임은 Unreal Engine과 포즈 품질 검사를 통과한 영상에서 얻습니다. AV-CPT, Action-SFT, Joint-FT 순서로 생성 품질과 제어 반응성을 나누어 학습한 뒤, 모델이 만든 이전 청크를 다시 문맥으로 넣는 Self-Gradient Forcing으로 실제 장기 추론의 오류 분포에 맞춥니다.

추론에서는 동기화된 비디오·오디오의 최근 tail을 다음 턴의 조건으로 넣거나, 비디오와 오디오 각각에 sink-plus-FIFO KV cache를 유지합니다. sink는 초기 장면 정보를 남기고 FIFO는 최근 청크를 보존하므로 직접 참조하는 문맥 크기는 제한되지만, 여러 Transformer 층을 거치는 표현 경로를 통해 더 이전 정보의 영향이 전달됩니다. 그 결과 사용자가 궤적을 바꿔도 장면 구조와 음향 문맥을 이어가는 multi-turn 생성이 가능해집니다.

관련 Figure

Diagram
1인칭 패널은 User Intent에서 Observer Motion을 거쳐 World 변화로 이어지는 흐름을, 3인칭 패널은 User Intent와 Character, Camera, World의 결합을 보여줍니다. 하단 데이터 구성은 1인칭 데이터에서 observer view·sound·speech를, 3인칭 gameplay에서 character motion·camera following·world evolution을, cinematic video에서 camera traversal·composition·sound and speech를 수집하는 방식을 구분합니다. 카메라와 캐릭터의 결합을 명시적 camera rig가 아니라 여러 데이터 원천에서 학습한다는 핵심 설계를 시각적으로 뒷받침합니다.
Camera Intent가 1인칭에서는 관찰자 운동으로, 3인칭에서는 캐릭터·카메라·세계의 결합된 변화로 해석되는 과정을 비교합니다.

방법론

EchoWM은 선택적 미디어 문맥 M, 구조화된 텍스트 C, 사용자 제어 U를 입력으로 받아 비디오 V와 오디오 A를 공동 생성합니다. 미디어 문맥은 빈 조건, 참조 프레임, 동기화된 오디오·비디오 prefix 중 하나이며, 텍스트는 scene·style·viewpoint·subject 같은 정적 정보와 음성·소리 정보를 담습니다. 사용자 제어와 학습 포즈는 먼저 초기 카메라에 대한 상대 6-DoF 궤적 P로 바뀐 뒤 Joint Audio-Visual Diffusion Transformer에 전달됩니다.

데이터 엔진은 내부 수집 게임플레이, Internet 게임플레이, Unreal Engine 렌더, 일반 Internet 영상이라는 네 원천을 결합합니다. 내부 게임플레이는 native stereo game mix와 스크립트 action log를 함께 저장하고, Unreal Engine은 카메라 포즈·내부 파라미터·키보드 상태를 직접 출력하며, 일반 영상은 자연스러운 장면·음향·음성·카메라와 주체의 관계를 보충합니다. 비-UE 영상은 약 1분 연속 창에서 ViPE, VGGT-Omega, MoGe-2를 이용해 metric camera pose를 복원한 뒤, 회전은 SLERP로 보간하고 이동은 선형 보간해 원래 프레임에 맞춥니다.

복원된 궤적은 신뢰도와 내부 파라미터 안정성, 프레임 간 흔들림, 급격한 방향 변화, 비현실적 이동과 극단적 스케일을 기준으로 필터링합니다. 클립별 최대 이동량 m_i를 구한 뒤 학습 데이터 전체의 90번째 백분위수 $s_global = Q_{0.9}({m_i})$ 를 공통 이동 스케일로 사용하고, 각 이동 벡터를 이 값으로 나눕니다. 이렇게 하면 데이터 원천마다 다른 단위를 맞추면서 클립별 정규화로 실제 이동량 차이가 사라지는 문제를 피할 수 있습니다.

구조화된 주석은 Qwen3-Omni와 Gemini-3-Pro를 사용해 scene, style, viewpoint, subject, narrative, speech, sound 필드로 정리합니다. AV-CPT에서는 전체 주석을 사용하지만, Action-SFT에서는 narrative·speech·sound를 제거해 텍스트가 목표 카메라 운동을 미리 말하지 못하게 합니다. Joint-FT에서는 정적 필드와 speech·sound를 유지하고 narrative를 제외해 궤적 제어와 오디오 조건을 함께 조정합니다.

학습은 네 단계로 이어집니다. AV-CPT에서는 AV-rich 혼합물로 비디오·오디오 백본을 조정하고, Action-SFT에서는 백본을 고정한 채 카메라 분기의 QKV와 zero-initialized 출력 projection만 control-clean 혼합물로 학습하며, Joint-FT에서는 balanced high-quality 혼합물에서 두 파라미터 그룹을 낮은 학습률로 갱신합니다. 마지막 Autoregressive Post-Training에서는 causal teacher forcing으로 청크 단위 Attention mask를 만들고, Self-Gradient Forcing과 Distribution Matching Distillation으로 자기 생성 이력과 few-step 샘플링을 학습합니다.

관련 Figure

Infographic
각 범주는 여러 장면 프레임과 함께 배치되어 내부 수집 게임플레이 데이터가 장르와 시점, 환경을 폭넓게 포함함을 나타냅니다. 하단에는 영상 아래에 native game audio 파형이 정렬되어 있어 시각 콘텐츠와 환경음이 같은 기록에서 함께 수집되는 구조를 보여줍니다. 이 구성은 AV-CPT에 필요한 장면·음향 다양성과 trajectory-conditioned 학습에 필요한 게임플레이 신호가 하나의 데이터 엔진 안에서 결합된다는 설명과 연결됩니다.
게임플레이 영상이 Action Adventure, RPG / Fantasy, Survival / Hunting, Action Tactical, Flight / Vehicle Sim, Open-world / Urban의 여섯 활동 범주로 정리되어 있습니다.

Diagram
입력 데이터는 고품질 게임 녹화, UE 시뮬레이션, Internet 영상으로 나뉘며 각각 native audio, 정밀한 포즈, 자연스러운 장면과 음향을 보완합니다. 처리 단계에서는 영상 품질 필터링, audio filtering, 구조화된 주석, pose recovery, pose conversion을 순서대로 거친 뒤 AV-rich view, control-clean view, balanced high-quality view를 만듭니다. 이 도식은 AV-CPT, Action-SFT, Joint-FT가 동일한 원천 데이터를 무작위로 공유하지 않고 신뢰도에 맞는 혼합물을 사용하는 방식을 시각화합니다.
게임 녹화, Unreal Engine 시뮬레이션, Internet 영상이 비디오·오디오 필터링과 포즈 복원을 거쳐 세 종류의 학습 혼합물로 변환되는 처리 파이프라인입니다.

Diagram
입력 단계에서 Empty, Tref, A-V prefix와 구조화된 텍스트, keyboard·metric pose를 받고, 상대 6DoF 궤적과 global scale calibration을 거쳐 event stream을 만듭니다. 비디오 스트림에는 relative UCPE branch가 들어가지만 오디오 스트림에는 직접 궤적 주입이 없고, 두 스트림은 AV Cross-Attention과 FFN을 거쳐 동기화된 출력으로 이어집니다. 아래쪽의 AV-CPT, Action-SFT, Joint-FT, AR post-training 순서는 품질·제어·장기 생성 능력을 단계적으로 결합하는 학습 방식을 요약합니다.
미디어·텍스트·사용자 제어 입력부터 궤적 구성, 공동 오디오·비디오 백본, 점진적 학습, multi-turn 추론까지 EchoWM의 전체 구조를 나타낸 도식입니다.

주요 결과

WBench Navigation의 공식 158개 사례에서 EchoWM은 평균 81.7점을 기록해 비교 모델 중 가장 높은 Average를 얻었습니다. 세부 점수는 Quality 81.5, Setting 79.4, Interaction 87.2, Consistency 89.8, Physical 70.6이며, 특히 Consistency 점수는 multi-turn 생성에서 장면과 시점 정보를 유지하는 능력을 반영합니다. 네 단계 post-training을 거친 EchoWM-Flash도 평균 81.0점과 Interaction 87.9점을 기록해, four-step causal 추론으로 바꾼 뒤에도 제어 반응을 유지했습니다.

EchoWM은 WBench에서 시점의 급격한 변화, 의도하지 않은 줌, 주체 크기 변화, 장면 배치의 이탈을 줄이는 방향의 결과를 얻었습니다. 동일한 참조 관찰과 이동 조건을 사용했을 때 연속 상호작용 동안 장면 구조와 주체 외형, 시각 스타일을 유지하는 데 유리한 결과가 보고됐습니다. EchoWM-Flash의 반복 상호작용 사례에서도 A→A→A→A, Left→Left→Right→Right, Left→W→Right와 같은 제어열을 causal 롤아웃에 적용했습니다.

제어-clean 혼합물의 공간 범위 평가에는 28,605개 궤적이 사용됐습니다. 집계 분포는 좌우 및 전후 이동을 포함했고, 대표 궤적은 직선·대각선·반환 루프·orbit 운동으로 구성됐습니다. 학습 단계별 데이터 혼합과 전역 스케일 보정은 좁은 키보드 명령 집합이 아니라 실제 영상에서 복원된 다양한 이동 크기와 방향을 궤적 조건화에 포함시키는 역할을 합니다.

관련 Figure

Chart
왼쪽 그래프는 lateral motion x와 forward motion z의 분포를 보여주며, P90 range가 궤적의 견고한 공간 범위를 표시합니다. 오른쪽에는 Forward-left, Forward, Forward-right, Left, Loop / return, Right, Back-left, Backward, Back-right와 65·138·258도 orbit 사례가 같은 공간 축척으로 배치되어 있습니다. control-clean 혼합물이 단순한 이산 키보드 템플릿이 아니라 다양한 실현 카메라 운동을 포함하도록 구성됐다는 근거입니다.
28,605개 샘플 궤적의 공간 분포와 전진·후진·좌우·대각선·반환·orbit 이동의 대표 경로를 나타낸 그래프입니다.

Screenshot
각 행은 하나의 모델이 같은 종류의 장면을 여러 시점으로 생성한 결과이며, 열 방향으로 시간에 따른 장면 연속성이 나타납니다. EchoWM의 행은 도시 간판, 해안 경관, 기차 내부의 구성과 주체 배치를 비교적 안정적으로 이어가는 결과로 제시되어, WBench에서 측정한 scene structure·subject identity·visual style 유지와 연결됩니다. 이 이미지는 수치 점수 자체보다 장기 생성에서 시점 변화와 장면 이탈을 비교하는 정성 근거로 사용됩니다.
Evoke, DreamX-World, LBW-V2, SANA-WM, HappyOyster, Ours의 도시·해안·기차 장면 시퀀스를 행과 시간 흐름으로 비교한 정성 평가 이미지입니다.

기술 상세

카메라 포즈 T_t는 초기 포즈 T_0에 대한 상대 변환 $[200~ΔT_t = T_0^{-1}T_t$ 로 바꿉니다. 키보드 상태 u_t는 고정 매핑 M을 거쳐 6-DoF 증분 ξ_t = M u_t가 되고, 카메라 좌표계에서 증분을 누적해 T_t = T_{t-1} Exp(ξ̂_t)를 계산합니다. 이 과정의 입력은 이산 명령 또는 연속 포즈이고, 연산 결과는 초기 관찰을 기준으로 한 이동·회전 궤적이며, 같은 표현이 학습과 추론에 사용됩니다.

서로 다른 데이터의 이동 단위는 전역 스케일로 보정합니다. 클립 i의 최대 이동량 m_i는 모든 프레임의 상대 이동 벡터 크기 중 최댓값이고, $s_global = Q_{0.9}({m_i})$ 는 학습 집합의 90번째 백분위수입니다. 각 이동 벡터는 $\hat{t}_{i,k} = Δt_{i,k}/s_global$ 로 나누고 회전은 그대로 두므로, 큰 재구성 이상치 하나에 스케일이 끌려가지 않으면서 클립 간 이동 크기를 비교할 수 있습니다.

카메라 조건화에는 상대 UCPE 분기를 사용합니다. 각 비디오 토큰의 픽셀 좌표 p_s와 내부 파라미터 K_t로 광선 방향 d_{t,s} = R_t norm(K_t^{-1}p_s)를 계산하고, 이미지 축과 카메라 중심을 이용해 해당 광선의 로컬 좌표계를 만듭니다. Attention의 일부 채널에는 ray transform G_i를 적용하고 나머지 채널에는 시공간 RoPE를 유지하며, 결과적으로 토큰 i와 j의 상호작용은 절대 좌표가 아니라 상대 변환 G_i G_j^{-1}에 의존합니다.

카메라 분기는 원래 비디오 Self-Attention과 병렬로 배치되고 zero-initialized projection을 통해 합쳐집니다. 이 초기화는 궤적 학습 시작 시 사전학습 비디오 경로의 출력을 보존하고, 학습 과정에서 카메라 조건에 필요한 잔차만 추가하도록 합니다. 분기는 비디오 토큰에만 연결되며 오디오 토큰에는 직접 궤적을 주입하지 않고, 비디오·오디오 Cross-Attention이 두 모달리티의 결합을 담당합니다.

Autoregressive Post-Training에서는 비디오와 오디오를 시간적으로 정렬된 macro-chunk로 나눕니다. 각 청크의 noisy latent는 $x_{σ_i,i} = (1-σ_i)x_i + σ_iε_i$ 로 만들고, 같은 σ_i를 오디오·비디오 쌍에 적용해 두 모달리티가 같은 Diffusion 단계에 놓이게 합니다. noisy 현재 청크는 이전 clean 청크와 현재 noisy 토큰만 볼 수 있고 현재 clean target과 미래 청크는 볼 수 없으므로, 학습 시 병렬 계산을 유지하면서 causal 추론의 정보 흐름을 재현합니다.

Self-Gradient Forcing의 첫 번째 순방향 계산은 gradient 없이 모델의 few-step 자기 생성 롤아웃을 실행하고 noisy 상태와 clean 결과를 기록합니다. 두 번째 순방향 계산은 기록된 clean 결과를 stop-gradient 입력으로 사용하되 causal 문맥의 Attention 표현을 gradient와 함께 다시 계산해, 뒤쪽 청크의 손실이 앞선 청크의 K/V 표현으로 전달되게 합니다. 장기 단계에서는 초기 sink 청크와 최근 FIFO 청크만 직접 유지하고, 각 롤아웃 세그먼트의 DMD 손실을 합산해 누적 오류가 있는 상태에서도 생성 분포를 조정합니다.

관련 Figure

Diagram
Teacher Forcing 패널은 noisy 현재 청크가 이전 clean 문맥과 자신의 noisy 토큰을 참조하고 현재 clean target과 미래 정보를 차단하는 패턴을 나타냅니다. Longvideo SGF 패널은 여기에 sink-plus-FIFO 정책을 추가해 오래된 전체 이력이 아니라 고정된 sink와 최근 문맥만 직접 참조하게 합니다. 두 mask는 학습 중 병렬 청크 예측을 유지하면서 실제 causal autoregressive 생성에서 발생하는 문맥 제한과 자기 생성 이력을 반영합니다.
Teacher Forcing과 Longvideo SGF에서 clean·noisy 청크 사이의 허용된 Attention 영역을 비교한 causal mask 도식입니다.

실무 활용

EchoWM은 참조 프레임이나 이전 오디오·비디오 결과를 시작점으로 삼아 사용자가 지정한 카메라 궤적에 맞는 장면을 연속 생성하는 연구용 World Model입니다. 입력 인터페이스는 키보드 같은 이산 명령과 연속 metric pose를 모두 지원하며, 출력은 720p 비디오와 환경음·음악·음성을 함께 포함합니다. GitHub 저장소와 Project Page가 제공되어 데이터 처리, 모델 구조, 학습·추론 재현 가능성을 확인할 수 있습니다.

게임 장면 탐색 프로토타입에서 키보드 이동을 상대 6-DoF 궤적으로 변환해 1인칭과 3인칭 시점을 모두 생성할 수 있습니다. 1인칭에서는 관찰자의 이동을 직접 조건으로 넣고, 3인칭에서는 모델이 학습한 카메라·캐릭터 관계를 이용합니다. 환경음과 음성이 영상의 시간 흐름에 맞춰 함께 생성되므로 시각 출력만 필요한 기존 시뮬레이터와 다른 평가가 가능합니다.
장기 World Model 벤치마크에서는 이전 생성 청크를 다음 턴의 문맥으로 재사용하며 장면 일관성과 궤적 추종을 측정할 수 있습니다. bidirectional continuation은 동기화된 비디오·오디오 tail을 다시 인코딩하고, causal streaming은 sink-plus-FIFO KV cache를 유지합니다. 이 두 방식은 외부 memory bank 없이 multi-turn 생성의 문맥 관리와 음향·영상 동기화를 비교하는 실험에 활용할 수 있습니다.
오디오·비디오 생성 연구에서는 AV-rich, control-clean, balanced high-quality 데이터 혼합물을 이용해 감독 신호의 품질을 분리해서 평가할 수 있습니다. Unreal Engine의 metric pose와 Internet 영상의 자연스러운 음향을 서로 다른 역할로 사용하고, Action-SFT에서 narrative를 제거해 텍스트의 운동 정보 누출을 막습니다. 따라서 데이터 원천별 기여도와 trajectory conditioning의 효과를 단계별 ablation으로 측정할 수 있습니다.

코드 공개 여부: 공개

코드 저장소 보기

키워드

Omnimodal World Model(다중 모달 세계 모델)Camera Intent(카메라 의도)6-DoF Trajectory(6자유도 궤적)Audio-Visual Generation(오디오·비디오 생성)Progressive Training(점진적 학습)Long-Horizon Generation(장기 생성)Self-Gradient Forcing(자기 Gradient 강제)Trajectory Conditioning(궤적 조건화)

용어 해설

6자유도 궤적(6-DoF Trajectory): — 카메라의 3차원 이동과 3축 회전을 하나의 연속 궤적으로 표현하는 방식입니다. 위치 변화와 방향 변화를 함께 입력해 키보드 명령보다 풍부한 카메라 운동을 보존합니다. EchoWM은 이 표현을 1인칭과 3인칭 장면에 공통으로 사용합니다.
카메라 의도(Camera Intent): — 사용자가 어떤 방향과 속도로 장면을 관찰하고 이동하려는지 나타내는 상호작용 표현입니다. 1인칭에서는 관찰자의 이동을 직접 지정하고, 3인칭에서는 캐릭터와 카메라의 결합된 움직임을 데이터에서 학습하게 합니다. 특정 게임의 컨트롤러나 카메라 리그에 의존하지 않는 공통 인터페이스입니다.
통합 카메라 위치 인코딩(Unified Camera Positional Encoding): — 카메라 사이의 상대적인 광선 기하를 Attention 내부에 주입하는 위치 인코딩 방식입니다. 절대 월드 좌표 대신 토큰 간 상대 변환을 사용해 전역 좌표계가 바뀌어도 관계를 유지합니다. EchoWM은 별도 카메라 인코더 없이 이 경로를 비디오 Self-Attention과 병렬로 연결합니다.
점진적 학습(Progressive Training): — 서로 충돌하기 쉬운 오디오·비디오 생성과 궤적 제어를 여러 단계로 나누어 학습하는 전략입니다. AV-CPT로 생성 prior를 맞춘 뒤 Action-SFT에서 카메라 경로만 학습하고, Joint-FT에서 두 능력을 함께 조정합니다. 마지막으로 자기 생성 이력을 이용한 Autoregressive Post-Training을 적용해 긴 롤아웃을 준비합니다.
Self-Gradient Forcing: — 모델이 직접 생성한 이전 오디오·비디오 청크를 다음 예측의 문맥으로 사용하면서 학습하는 자기 생성 기반 훈련 방식입니다. 순차 샘플링 자체에는 gradient를 저장하지 않고, 생성된 문맥 표현을 병렬로 다시 계산해 이후 손실을 앞선 문맥 표현까지 전달합니다. 이 과정은 teacher forcing과 실제 autoregressive 추론 사이의 분포 차이를 줄입니다.

EchoWM으로 여는 오디오·비디오 세계

왜 중요한가

핵심 기여

핵심 아이디어 이해하기

방법론

주요 결과

기술 상세

실무 활용

키워드

용어 해설

관련 토론

댓글

관련 기사

외부 기하 메모리로 끝없는 비디오 생성

왜 중요한가

핵심 기여

핵심 아이디어 이해하기

방법론

주요 결과

기술 상세

실무 활용

키워드

관련 토론

댓글

관련 기사

외부 기하 메모리로 끝없는 비디오 생성