ResearchStudio-Reel: 단일 논문 PDF로 포스터·발표 동영상·이중언어 블로그를 자동 생성하는 파이프라인

왜 중요한가

연구 결과의 발표용 자산(학회 포스터, 강연용 영상, 대중용 블로그)은 카메라-레디 이후 저자가 가장 바쁜 시점에 수작업으로 생산되는 경우가 많아 배포 비용이 크다. ResearchStudio-Reel은 이러한 '마지막 마일'을 자동화해 동일한 추출 결과를 재사용하고 편집 가능한 원본(파워포인트·워드)을 보존함으로써 수작업 반복을 줄이고 산출물의 사실 일관성을 확보한다. 또한 연속적 선호 점수 대신 범주적 품질 게이트를 도입해 시각적 비어있음이나 핵심 섹션 누락을 허용하지 않는 점이 연구 배포의 신뢰성을 높였다.

핵심 기여

공유 추출 번들 Paper2Assets의 도입

한 번의 PDF 파싱으로 본문, 캡션, 정리된 9개 섹션 요약, 정제된 그림 세트, 메타데이터, 내러이션 순서표 등을 포함하는 단일 번들을 생성하고 모든 하위 생성기가 이를 재사용하게 했다. 이로 인해 포스터·비디오·블로그가 동일한 섹션 ID와 그림 핸들을 참조해 사실적 불일치를 방지했다. 그림 클린업 체인은 결정적 전처리와 시각적 검증 서브에이전트를 결합해 크롭 오류를 한 번에 고치도록 설계되었다.

단계적 채움(measured-fill) 루프와 범주적 렌더 게이트

포스터 생성에서 각 섹션의 렌더된 높이 대비 카드 높이 비율(fullRatio)을 측정하고 0.70·0.90·1.00·1.10 임계값으로 EMPTY·SPARSE·FULL·SPILLAGE·OVERFLOW로 분류해 적합한 수정을 적용하는 루프를 도입했다. 최종 출하는 모든 섹션이 FULL(90–98%)에 들어가고 그림이 카드의 한 축에서 최소 70% 이상을 차지할 때만 허용하는 하드 게이트로 통제되었다. 이 방식은 수렴성을 보장하고 각 반복의 적용 이력을 기록해 실패 원인 진단을 가능하게 했다.

편집 가능한 산출물과 상호연결 리더 Paper2Reel

포스터는 DOM 기반으로 PowerPoint 네이티브 셰이프로 변환해 수식은 OMML로 남기고 텍스트·그림·스타일을 편집 가능하게 했다. 비디오는 자막이 포함된 MP4와 자막이 없는 원본 MP4를 함께 내보내고 timeline.json으로 섹션-오디오-자막-슬라이드를 정렬해 Paper2Reel이 섹션 단위로 동기화하도록 만들었다. Paper2Reel은 포스터를 초기 화면으로 하는 인터랙티브 뷰어를 제공해 섹션 클릭이 동영상의 해당 시간, 슬라이드 썸네일, 블로그 블록으로 이동하게 했다.

미디어·문서용 결정적 품질 검사와 패키지 계약

포스터·비디오·블로그 각각에서 존재성, 재생 가능성, 오디오·자막·하이라이트의 정렬, 레이아웃·페이징 위험 등을 자동화된 패키지 검사로 강제했다. Paper2Video는 자막 번인 여부, 시각적 하이라이트의 정규화된 기하학, 오디오 창과의 정합 여부를 체크하는 check_video_package.py를 사용했다. Paper2Blog은 DOCX 렌더링을 검사해 빈 페이지, 이미지 축소, 고아 행 등 편집자 관점의 레이아웃 실패를 탐지했다.

핵심 아이디어 이해하기

연구 배포 산출물은 공통의 원천 정보(본문·그림·캡션)를 반복 추출하는 대신 한 번의 결정적 추출로 공유하면 교차 산출물 간 사실 불일치와 중복 비용을 제거할 수 있다. Paper2Assets는 PDF에서 본문과 그림을 추출해 섹션별 식별자와 그림 핸들을 부여하고 내러이션 순서표를 고정해 하위 생성기가 동일한 근거를 소비하도록 만든다. 이렇게 하면 포스터·비디오·블로그가 서로 다른 시점에 서로 다른 파싱 결과를 얻어 발생하는 불일치가 구조적으로 사라진다.

방법론

전체 파이프라인은 다섯 개의 스킬로 구성된다: Paper2Assets(공유 추출), 세 개의 생성기(Paper2Poster, Paper2Video, Paper2Blog), 그리고 Paper2Reel(수렴·뷰어). 각 스킬은 결정적 전처리와 에이전트 호출을 결합해 산출물을 만든 뒤 필수 패키지 게이트를 통해 릴리스한다. 스킬들은 파일 시스템 기반의 번들 인터페이스로 통신하며 하위 산출물은 재사용 가능하도록 고정된 식별자와 메타데이터를 포함한다.

주요 결과

포스터 성능 평가는 Paper2Poster 벤치마크의 100개 논문에서 두 명의 VLM 판정(claude-opus-4.8, gpt-5.5)을 사용해 평가되었다. ResearchStudio-Reel(Claude Code 설정)은 자동화 시스템 중 모든 미학·정보 하위 기준에서 최고 점수를 얻었고 미학 평균 3.52를 기록해 저자 원본(2.94)을 상회했으며 전체 점수에서 84%~93%의 논문에서 승리했다. 파이프라인 비용·시간 측정에서는 전체 번들 생성에 평균 89.2분이 소요되고 대략 2.6M 입력 토큰, 276K 출력 토큰이 소비된 것으로 보고되었다.

기술 상세

Paper2Assets는 PDF에서 텍스트와 캡션을 추출하고 컬럼 인지 마진을 적용해 그림을 크롭한 뒤 그림 클린업 체인(결정적 프리픽스 → 시각적 AI 바운딩 박스 → 컨텍스트 재검증)을 실행해 정제된 그림 파일과 섹션별 요약을 생성한다. 포스터 생성에서는 각 섹션의 painted content 높이를 getBoundingClientRect로 측정해 fullRatio = h_content / h_card를 계산하고 0.70·0.90·1.00·1.10 임계로 범주 판정을 내려 고정된 수정을 적용하는 단계적 채움 루프를 운용한다. 채움 루프는 각 반복에서 수정된 원문 조각만 모델 창으로 보내 전체 문서가 컨텍스트를 넘지 않도록 설계했으며 최종 렌더 시에는 under-filled 카드를 98%로 확장하는 보정 패스가 적용된다.

한계점

논문이 명시한 주요 한계는 평가 프록시의 제약이다: 미학 점수와 PaperQuiz(읽기 이해) 점수는 실제 독자 흡수와 상이한 방향으로 갈 수 있어 현재 자동화는 기하학적 밀도를 목적함으로써 이해 신호에 완전한 보장을 제공하지 못한다. 또한 현재 파이프라인은 기존 논문에 포함된 그림만 재사용하기 때문에 저자가 의도한 맞춤형 개요도/방법도와 같은 생성적 시각물을 자동으로 그려낼 수 없고, 그런 기능을 추가하면 사실성 리스크(환각)가 새로 생긴다. 논문은 이 환각 리스크를 해소할 수 있는 범주적 게이트 규율을 요구한다고 명시했다.

실무 활용

ResearchStudio-Reel은 수작업이 많은 카메라-레디 단계의 반복 작업을 자동화해 저자가 편집 가능한 포맷으로 즉시 수정할 수 있는 초안을 제공함으로써 작업 시간을 단축한다. 연구실 차원에서는 제출 파이프라인에 연결해 모든 논문에 대해 일관된 배포 산출물을 생산하고 커뮤니케이션 팀이 편집하는 워크플로를 지원한다. 교육 환경에서는 논문별 강의용 슬라이드, 비디오, 읽기 자료를 일괄 생성해 강사와 학생이 손쉽게 재활용할 수 있다.

학회 카메라-레디 단계에서 포스터·발표 동영상·이중언어 블로그의 초안 생성과 편집자 핸드오프
연구실·기관의 출판 인테이크 파이프라인에 통합해 자동 초안 생산과 편집자 승인 워크플로 지원
강의나 세미나를 위한 주간 브리핑 팩(편집 가능한 슬라이드, 동영상, 블로그) 대량 생성

코드 공개 여부: 미확인

키워드

Paper2Assets(공유 추출 번들)Measured-fill loop(단계적 채움 루프)Render gate(하드 렌더 게이트)Paper2Reel(섹션 동기화 뷰어)ppt-master(PowerPoint 변환 및 덱 생성)

용어 해설

단계적 채움 반복 루프(Measured-fill loop): — 포스터 페이지의 각 섹션 높이를 측정해 범주적 판정(EMPTY, SPARSE, FULL, SPILLAGE, OVERFLOW)으로 보정 작업을 선택하는 반복적 편집 절차이다. 각 라운드에서 오프-타겟 섹션의 원문 조각만 편집하고 헤드리스 브라우저의 getBoundingClientRect로 실측 높이를 읽어들여 이동 크기를 픽셀 단위로 제어함으로써 진동을 억제한다. 이 방식은 연속적 학습 점수 대신 범주적 종료 조건과 하드 렌더 게이트로 수렴을 보장하므로 재현성과 진단 가능성을 확보한다.
공유 추출 번들(Paper2Assets): — 한 번의 PDF 파싱으로 본문 텍스트, 페이지 구분, 그림 캡션, 정리된 9개 섹션 요약, 그림 클린업 산출물, 메타데이터, 내러이션 순서표 등을 생성해 모든 하위 생성기에서 재사용 가능한 단일 번들로 제공하는 상향식 추출 단계이다. 이 번들은 downstream이 원본 PDF를 다시 읽지 않도록 하고 그림 크롭·클린업 비용을 중복으로 발생시키지 않아 교차 산출물의 사실 일관성을 보장한다. 각 산출물은 불변 식별자와 도표 핸들을 포함하므로 포스터·비디오·블로그가 동일한 섹션/그림을 참조하게 된다.
하드 렌더 게이트(Render Gate): — 생성 파이프라인의 출력물을 릴리스하기 전에 일련의 결정적 검사 조건(예: 섹션별 fullRatio가 0.90 이상, 그림이 카드의 70% 이상 차지 등)을 모두 만족해야만 전달하는 품질 제어 장치이다. 연속적 VLM 선호 점수로 합격을 허용하지 않고 범주적(pass/fail) 문턱을 적용해 가독성 누락과 사실적 결함을 차단한다. 이 구조는 비용·재현성·디버깅을 예측 가능하게 만든다.

ResearchStudio-Reel: 단일 논문 PDF로 포스터·발표 동영상·이중언어 블로그를 자동 생성하는 파이프라인

왜 중요한가

핵심 기여

핵심 아이디어 이해하기

방법론

주요 결과

기술 상세

한계점

실무 활용

키워드

용어 해설

관련 토론

댓글

관련 기사

AI 에이전트가 영상 편집을 자동화하는 방식: Reelful

왜 중요한가

핵심 기여

핵심 아이디어 이해하기

방법론

주요 결과

기술 상세

한계점

실무 활용

키워드

관련 토론

댓글

관련 기사

AI 에이전트가 영상 편집을 자동화하는 방식: Reelful