설문 데이터 8개로 58가지 신체 파라미터를 예측하는 물리 기반 MLP 모델

물리 법칙을 손실 함수에 녹여낸 방식에 대해 매우 긍정적인 반응이며, 특히 미분 가능한 메시 연산을 활용한 점이 인상적이라는 평가이다.

• 신체 치수 예측 시 단순 회귀를 쓰기보다 부피와 밀도 관계를 손실 함수에 포함하여 제약 조건을 부여하라.
• 3D 메시에서 치수를 추출할 때는 ISO 8559-1 규격을 지원하는 clad-body 라이브러리를 활용하라.

다층 퍼셉트론(MLP)

— 여러 개의 퍼셉트론 층을 쌓아 만든 신경망 구조로, 입력 데이터와 출력 사이의 복잡한 비선형 관계를 학습하는 기본적인 딥러닝 모델이다. 이 글에서는 신체 치수 예측을 위한 핵심 회귀 모델로 사용되었다.

블렌드쉐이프(Blendshape)

— 기본 3D 메시(Mesh)의 정점 위치를 선형적으로 보간하여 표정이나 체형 변화를 표현하는 기법이다. 모델의 파라미터가 변함에 따라 실시간으로 체형을 변형시키는 데 사용된다.

자동 미분(Autograd)

— 신경망 학습 시 연산 그래프를 따라 기울기(Gradient)를 자동으로 계산하는 메커니즘이다. 물리 법칙을 손실 함수에 포함했을 때 역전파가 가능하게 만드는 핵심 기술이다.

평균 절대 오차(MAE)

— 예측값과 실제값 사이의 차이를 절대값으로 평균 낸 지표로, 모델의 예측 정확도를 직관적인 단위(cm, kg)로 나타낼 때 주로 사용된다.