Current Issue

최근 생성형 AI 기술의 발전은 3D 캐릭터 제작 초기에 요구되는 콘셉트 설계와 레퍼런스 확보 과정을 혁신적으로 변화시키고 있다. 특히 Text-to-Image 기술은 사용자의 자연어 입력을 해석하여 고품질 시각 이미지를 자동으로 생성함으로써, 기존 수작업 중심 이미지 수집 및 구상 과정의 비효율성을 극복하는 데 기여하고 있다.

Text-to-Image 기술은 자연어 처리(Natural Language Processing, NLP)와 딥러닝 기반 모델을 결합하여 사용자의 텍스트 설명을 색감, 구도, 질감 등을 반영한 이미지로 변환하는 방식으로 작동한다. 이 기술은 비전문가도 직관적인 텍스트 입력만으로 창의적이고 정교한 이미지를 제작할 수 있게 하여, 콘텐츠 제작, 디자인, 연구 등 다양한 분야에서 실질적 활용 가치를 높이고 있다.

본 연구는 ChatGPT와 Stable Diffusion의 조합을 통해 Text-to-Image 기술을 3D 캐릭터 제작 프로세스에 적용하는 방안을 제안한다. ChatGPT는 사용자의 텍스트 입력을 분석하여 보다 구체적이고 정밀한 명령어로 변환하는 역할을 수행하며, Stable Diffusion은 이를 기반으로 고해상도 이미지 생성과 다양한 스타일 조정이 가능한 확산 모델로 작동한다. 특히 Stable Diffusion은 오픈소스 기반으로 높은 확장성과 커스터마이징 가능성을 제공하여 다양한 창작 요구를 충족시킬 수 있다.

특히 두 모델의 상호 보완적 연계는 캐릭터 설계 초기 단계에서 아이디어 발상과 사용자가 복잡한 명령어 조작 없이도 세밀한 조정이 가능한 고품질 이미지를 시각화 작업의 효율성을 대폭 향상하고, 제작 과정에서 발생할 수 있는 반복 작업과 시간 소모를 줄이는 데 크게 이바지할 것으로 기대된다. 그러나 Text-to-Image 기술은 여전히 훈련 데이터 편향성, 사실성 오류, 스타일 일관성 문제 등의 한계를 내포하고 있어, 생성 결과의 품질 확보를 위해 전문가의 검증 및 후처리 프로세스가 필수적이다.

• Chat GPT

ChatGPT는 대규모 언어모델(Large Language Model, LLM) 기반의 인공지능으로, 자연어 입력을 정밀하게 분석하고 구체화하여 창작을 위한 구체적인 명령어로 변환하는 역할을 수행한다. 사용자는 복잡한 프로그래밍 지식 없이도 직관적인 텍스트 입력만으로 다양한 아이디어를 시각화할 수 있으며, 3D 캐릭터 제작 과정에서 텍스트 기반 입력 명령어 설계, 콘셉트 도출, 레퍼런스 이미지 생성 등에서 활용되어, 비전문가도 직관적으로 창작을 시작할 수 있게 한다. 특히, 반복적이거나 자료 수집이 필요한 작업을 자동화하여 제작 효율성을 높이고, 다양한 아이디어 제시와 빠른 정보 탐색을 지원함으로써 실무 프로세스의 생산성을 향상한다[22].

그러나 ChatGPT의 한계도 분명하다. 우선, 모델이 생성하는 정보는 훈련 데이터에 기반하므로 정확성, 사실 검증에 한계가 있으며, 데이터 편향이나 맥락 오해로 인해 부정확한 결과가 도출될 수 있다. 또한, 3D 모델링이나 텍스처링과 같은 복잡한 시각적 작업을 직접 수행하지 못하며, 실제 3D 제작은 별도의 전문 소프트웨어와의 연동이 필요하다. 실무 적용 시에는 저작권, 윤리적 이슈, 데이터 보안 등도 고려해야 하며, 생성 결과의 품질과 신뢰성 확보를 위해 전문가의 검증이 필수적이다.

따라서 ChatGPT를 3D 캐릭터 제작 과정에서 아이디어 발상과 작업 효율화의 도구로, 적극적으로 활용하되, 결과물의 품질 확보를 위해 전문적인 검증 체계를 병행하는 방향을 제안하고자 한다.

• Stable Diffusion

Stable Diffusion은 고해상도 이미지 생성을 위한 딥러닝 기반의 Latent Diffusion Model(LDM)로 개발되었으며 텍스트 입력을 바탕으로 이미지를 생성하는 인공지능 기술로, 사용자가 원하는 장면이나 스타일을 설명하면 이를 해석하여 시각적 요소로 변환하는 방식으로 작동한다. 사용자가 특정한 문장을 입력하면, 모델은 이를 분석하여 색상, 구도, 질감 등을 조합하고 최적의 이미지로 변환하는 과정을 수행한다.

다양한 스타일을 표현하고 이미지의 세부적인 요소를 조정할 수 있는 기능을 제공한다. 특히, 오픈소스 기반의 구조를 활용하여 사용자 맞춤형 모델을 제작할 수 있으며, 학습된 데이터를 바탕으로 특정한 스타일이나 표현 기법을 반영할 수 있다. 또한, 기존 이미지의 일부를 수정하거나 보완하는 부분 수정과 이미지 확장 기능을 통해 창작 과정에서 유연성을 높일 수 있다[23].

또한, 부정 지시어 기능을 활용하면 특정한 요소를 배제하여 보다 정교한 결과물을 생성할 수 있다. 예를 들어, 배경을 단순화하거나 특정 색상을 제외하는 방식으로 원하는 스타일의 이미지를 조정할 수 있다. 이 외에도, 이미지 크기 조정, 무작위 시드 값 설정, 다양한 샘플링 방법 적용 등을 통해 사용자의 요구에 맞는 맞춤형 이미지를 제작할 수 있다.

텍스트 입력을 기반으로 다양한 스타일과 정밀한 조정을 반영한 이미지를 생성하는 데 적합한 기술이며, 창작, 디자인, 시각 자료 제작 등 다양한 분야에서 효율적으로 활용될 수 있다.

위의 ChatGPT와 Stable Diffusion의 연계 활용은 텍스트 입력 기반의 창의적 아이디어 발상과 고품질 이미지 생성 간의 간극을 효과적으로 채우며, 3D 캐릭터 제작 초기에 필요한 콘셉트 설계와 레퍼런스 확보 과정의 시간 단축과 효율성 향상에 이바지할 것으로 기대된다. 이후 3D 모델링으로의 자연스러운 확장을 기대한다. 다만, 훈련 데이터 편향성과 사실성 오류 가능성이라는 한계를 내포하고 있어 최종 제작물 적용 시 전문가의 품질 검증과 후처리 작업이 병행되어야 한다. 현시점에서 AI 기반 콘텐츠 제작을 보다 직관적이고 효율적으로 만들며, 다양한 산업 분야에서 창의적인 작업을 지원하는 데 중요한 역할을 할 것으로 기대된다.

최근 생성형 AI 기술은 Text-to-Image를 넘어, 2D 이미지나 텍스트 입력을 기반으로 3D 모델을 직접 생성하는 Image-to-Modeling 영역으로 빠르게 확장되고 있다[GPT-4]. 이 기술은 복잡한 기존 수작업 모델링이 가진 복잡성, 긴 제작 시간, 숙련도 의존성 등의 한계를 자동화하여, 보다 직관적이고 빠른 3D 제작 환경을 제공한다. 특히 비전문가도 직관적인 인터페이스를 통해 고품질 3D 모델을 생성할 수 있게 됨으로써, 콘텐츠 제작 초기 단계의 진입 장벽을 크게 낮추고 있다.

Image-to-Modeling 기술은 텍스트, 스케치, 이미지 데이터 등 다양한 입력 데이터를 받아 3D 모델을 자동 생성하거나, 생성된 모델에 대해 보정하는 방식으로 작동한다. 이 과정은 기존 3D 모델링의 반복적이고 고숙련도에 의존하던 작업을 대체하거나 보완할 수 있어, 3D 캐릭터 제작의 초기 과정의 반복성과 시간 소모를 줄이는 효율성과 전문가와 비전문가 모두의 접근성을 높여 창의성 확장 측면에서 새로운 가능성을 제시한다[last].

현재 상용화된 대표적인 플랫폼으로는 3D AI Studio, CSM3D, Chat3D, Meshy.ai 등이 있으며, 각 플랫폼은 고유한 기능과 강점을 가지고 활용 전략을 쓰고 있으며, 다양한 3D 캐릭터 제작 환경에 대응하고 있다.

• 3D AI studio

3D AI Studio는 2D 이미지를 기반으로 평균 20초 이내에 3D 모델링 자동 생성하는 플랫폼으로 비전문가와 비전공자도 쉽게 활용할 수 있도록 직관적 사용자 인터페이스를 제공하며 특징은 다양한 AI 모델 선택이 가능하며 빠른 변환 속도, OBJ, GLB, FBX의 포맷지원, 간단한 텍스트 명령어 수정만으로 다양한 변형이 가능하다. 특히, 높은 수준의 자동화 기능을 제공하여 추가적인 후처리 과정 없이도 완성도 높은 모델을 생성할 수 있다는 점이 차별화된 강점이다. 초기 3D 형태 설계 과정의 반복성과 숙련도 의존을 줄여 빠른 결과물을 얻을 수 있다. 다만, 세밀한 디테일 조정이 어렵고, 복잡한 구조의 캐릭터에는 후처리 작업이 요구되어 신속한 작업과 간단한 3D 모델링 제작이 필요로 하는 환경에서 효율적으로 활용할 수 있다.

• CSM 3D(Common Sense Machines)

CSM 3D는 이미지, 텍스트, 스케치 등 다양한 입력 방식을 조합하여 고품질 3D 모델을 생성하는 기능을 제공하며, 특히 디자이너와 창작자를 위한 최적화된 도구로 설계되었다. 사용자는 단순히 이미지를 입력하는 방식뿐만 아니라, 텍스트 기반의 명령어를 활용하여 원하는 모델을 세부적으로 조정할 수 있어 단순 자동화에 그치지 않고 창의적인 작업에 유용하다. 또한, 3D 프린팅 및 게임 디자인과 같은 산업 분야에서 활용하기 적합한 도구로, 생성된 모델을 직접 수정할 수 있는 기능을 제공한다는 점이 특징이다. 다른 AI 기반 모델링 도구들이 자동화에 집중하는 반면, CSM 3D는 사용자의 개입을 통한 세부 조정이 가능하다는 점에서 더 창의적인 모델링 환경을 제공한다. 이에 따라, 디자인과 예술 분야에서의 반복성과 창작 제약의 문제를 완화하며 디자인 자유도를 확장할 방법에 대한 활용도가 높으며, 3D 프린팅과 같은 정밀한 모델링 작업에서도 효과적으로 사용될 수 있다.

• Chat 3D

Chat 3D는 텍스트 입력을 활용하여 3D 모델을 생성하는 도구로, 사용자가 복잡한 모델링 프로그램을 다루지 않아도 AI와 대화하듯 인터랙티브하게 3D 개체를 제작할 수 있도록 설계되었다. 또한, Chat 3D는 실시간 피드백을 반영하여 모델을 수정하는 기능을 갖추고 있어, 원하는 형태로 지속적인 보완 작업이 가능하다. 하지만 고해상도 및 복잡한 구조의 모델 생성은 다소 제한적이며, 후처리 도구를 연동하여 사용하여야 한다. Chat 3D는 특히 교육, 실시간 시각화, 가상현실 및 증강현실 콘텐츠 제작에서 강력한 도구로 활용될 수 있으며, AI와 협업하며 모델을 생성하는 방식으로 창작 과정이 더욱 직관적이며 초보자 친화적이다.

• Meshy.ai

Meshy.ai는 건물, 자동차, 제품 등과 같은 기계들의 모델링하는 하드서페이스 모델을 생성할 때 유용한 모드를 지원하며 정밀한 모델링이 가능해 세밀한 조정이 가능하다. 또한 OBJ, GLTF, FBX 등 다양한 출력 포맷을 지원하여 다양한 플랫폼과의 연동이 가능한 것이 장점이다. 하지만 유기적 형태에는 최적화되어 있지 않아 하드서페이스 모델 제작에서 제작 시간과 품질 편차 문제가 해결되며 높은 정밀도가 요구되는 산업용 모델링 작업에 적합하다.

이처럼 Image-to-Modeling 기술은 기존 3D 캐릭터 제작의 반복성, 높은 숙련도 의존성, 긴 제작 기간이라는 한계를 극복하는 데 중요한 역할을 하고 있다. 그러나 생성된 모델의 디테일 수준, 애니메이션 친화성, 후처리 최적화 문제 등은 여전히 추가적인 개선이 필요한 영역으로 남아있다.

이러한 최신 Image-to-Modeling 기술을 활용하여 실질적으로 3D 캐릭터 제작 프로세스에 적용하여, 초기 설계 및 모델링 단계의 방법을 제시하고 제작의 효율성, 창의성 향상, 제작의 접근성을 달성할 수 있는 실질적 적용 방안을 모색하고자 한다.

3D 캐릭터 제작 초기 단계인 콘셉트 이미지 생성 과정에서 생성형 AI 기술을 활용하여 제작 효율성과 창의성 향상을 모색하였다. 이를 위해 OpenAI의 ChatGPT와 딥러닝 기반 이미지 생성 모델인 Stable Diffusion을 조합하여 Text-to-Image 제작 방식을 적용하였다.

먼저, ChatGPT의 텍스트-이미지 변환(txt2img) 기능을 이용하여 캐릭터 설정을 구체화하는 과정을 진행하였다. 본 연구의 대상인 ‘홍길동’ 캐릭터를 중심으로, 시대적 배경, 성격, 능력, 외모 등의 다양한 정보를 수집하고, 이를 바탕으로 텍스트 명령어를 체계적으로 구성하였다. 입력값을 처리하기 전에 결과물에 대한 명확한 목표를 설정하고, 이를 세분화하여 텍스트로 구체화함으로써 이미지의 완성도와 일관성을 높였다. 생성된 이미지는 사용자가 원하는 결과물인지 확인한 뒤, 필요에 따라 요소 추가, 제거, 비율 조정, 품질 향상 등의 후처리 작업을 통해 완성도를 높였다.

Stable Diffusion에서는, ChatGPT를 통해 도출한 텍스트 명령어를 바탕으로 고품질 이미지를 생성하는 작업을 수행하였다. 본 연구에서 작성한 예시 명령어는 다음과 같다.

“A legendary Korean hero, Hong Gil-dong, in traditional Joseon-era clothing, standing confidently with a bow and arrow in hand, in front of a lush green mountain landscape, his eyes sharp and filled with determination.”

Stable Diffusion에 텍스트 명령어를 입력할 때는, 이미지 생성 품질을 높이기 위한 몇 가지 전략적 접근법을 적용하였다. 첫째, 생성하고자 하는 이미지의 핵심 키워드(예: 캐릭터 특성, 시대적 배경 등)를 텍스트 명령어의 앞부분에 배치하여 모델이 중요 요소를 우선적으로 반영할 수 있도록 하였다. 둘째, 괄호를 사용하여 특정 요소의 중요도를 강조하였으며, 괄호 수나 대괄호를 통해 상대적 가중치를 조절하는 방법을 활용하였다. 셋째, 괄호와 콜론을 조합하여 명령어 가중치를 수치화하는 방식으로, 세부적인 디테일 조정을 시도하였다.

또한, 보다 안정적인 결과를 얻기 위해 부정적 텍스트 명령어(negative prompt)를 함께 사용하였다. 부정 명령어는 품질 저하나 불필요한 요소 생성을 방지하기 위해 활용되었으며, 본 연구에서는 다음과 같은 항목을 포함하여 입력하였다:

“out of frame, out of focus, worst quality, low quality, low-res, blurry, watermark, censored, whimsical interpretation of the prompt, nsfw.”

텍스트 명령어 입력 이후에는 Stable Diffusion의 WebUI를 통해 생성 세부 설정을 조정하였다. 샘플링 방식으로는 다양한 옵션 중 품질, 다양성, 속도 균형이 우수한 “DPM++ 2M Karras”를 선택하였다. Sampling Steps는 이미지 디테일 향상과 생성 시간 간의 균형을 고려하여 설정하였으며, 일반적으로 높은 수치일수록 세밀한 이미지 생성이 가능하나 처리 시간이 길어짐을 고려하였다.

생성 이미지의 해상도는 Width와 Height 값을 조정하여 설정하였고, Batch Count를 통해 한 번에 생성할 이미지 수를 지정하였다. CFG Scale 값은 텍스트 명령어가 결과물에 미치는 영향력을 조정하는 요소로, 본 연구에서는 7.0에서 13.0 범위 내에서 적정 수치를 선택하여 실험하였다. CFG Scale 수치가 높을 경우 입력 명령어에 대한 충실도가 높아지지만 이미지 왜곡 가능성도 증가하였으며, 반대로 수치가 낮을 경우 자유도가 높아지지만 목표 이미지와의 일치도가 낮아지는 경향을 보였다.

또한, 시드(seed) 값을 변동하여 동일 명령어 내에서도 다양한 변형 이미지를 생성하는 전략을 함께 적용하였다.

이러한 일련의 과정을 통해, 반복적이고 시간 소모가 큰 레퍼런스 수집과 콘셉트 스케치 과정을 대체할 수 있었으며, 3D 캐릭터 제작 초기 단계에서 작업 효율성 및 창의적 발상 과정의 생산성을 크게 향상시킬 수 있었다.

Fig. 2. 
Image generation using stable diffusion

Fig. 3. 
ChatGPT step1

Fig. 4. 
ChatGPT step2

3D 캐릭터 제작 초기 단계에서 ChatGPT를 활용하여 '홍길동' 캐릭터의 이미지를 생성하는 과정에서는 다양한 부수적 요소들과 배경이 함께 포함된 이미지가 생성되어, 3D 모델링을 적용하기 위해 배경을 제외한 단순화된 스타일로 이미지를 구성하였다.

Fig. 5. 
ChatGPT step3

Fig. 6. 
Final T-Pose result using Photoshop AI

한편, 캐릭터 리깅 및 웨이트 작업에 적합한 형태를 확보하기 위해 T-Pose 이미지를 생성하고자 하였으나, 이미지 생성 과정에서 기존 자세를 단순히 변경하는 것이 어려웠다. 이에 따라, 최종 이미지를 Photoshop의 AI 보정 기능을 활용하여 T-Pose 형태로 재구성하였다. 이 과정을 통해 리깅 작업에 최적화된 기본자세를 효과적으로 확보할 수 있었다.

ChatGPT와 Stable Diffusion을 통해 생성한 캐릭터 이미지를 기반으로 3D AI Studio, CSM3D, Chat3D를 활용하여 3D 모델링 과정을 수행하였다.

먼저, 3D AI Studio에서는 생성된 이미지를 입력하여 모델링 품질, 재질 처리 방식, 화질 개선, 텍스처 변환 등 다양한 설정을 조정할 수 있었다. 특히, 좌우 대칭이 유지된 형태로 캐릭터를 생성할 수 있어 이후 리깅 및 애니메이션 작업에 적합한 기반 모델을 확보할 수 있었다. Texture AI 기능을 통해 동일한 모델 구조에서 다양한 텍스처 스타일을 생성할 수 있었으며, 세부 조정이 가능하여 높은 품질의 3D 결과물을 얻을 수 있었다.

Fig. 7. 
3D AI Studio

CSM3D를 활용한 경우, 단일 이미지를 다양한 3D 뷰로 변환할 수 있었으며, 텍스처 종류, 생성 이미지 수, 폴리곤 수, 면 구조, 대칭 처리 등을 사용자 설정으로 조정할 수 있었다. 다만 생성된 3D 모델은 비교적 단순화된 형태가 많았으며, 텍스처링 단계에서는 레이어 기능을 통해 다양한 스타일의 표현이 가능하다는 강점을 보였다.

Fig. 8. 
CSM3D

Chat3D를 이용한 경우, 폴리곤 수 조정은 가능했으나 텍스처 크기 조정은 불가하였고, 단순한 재질로 모델링이 이루어졌다. 또한, 다른 플랫폼에 비해 세부 애니메이션 적용이나 재질 수정·보완 기능은 제한적이었다. 그러나 모델링 결과물의 스타일적 다양성이 높은 점은 주요 장점으로 확인되었다.

Fig. 9. 
Chat 3D

• 스케치 및 이미지 분석에서 기존 제작 방식

Fig. 10. 
Pinterest reference

• 스케치 및 이미지 분석에서 AI를 활용한 방식

Fig. 11. 
Create an image with ChatGPT

• Cinema4D를 이용한 모델링 기존 제작 방식

Fig. 12. 
Creating 3D models using Cinema4D

• Image to 3D 플랫폼을 이용한 AI 모델링 제작 방식

Fig. 13. 
Create 3D models using Image to 3D AI

• Adobe Substance 3D Painter를 이용한 기존 제작 방식

Fig. 14. 
Creating texturing using Adobe Substance 3D Painter

• Image to 3D 플랫폼을 이용한 AI 텍스쳐링 제작 방식

Fig. 15. 
Character design and texturing using AI

• Mixamo를 이용한 리깅 및 스킨 웨이팅 기존 제작 방식

Fig. 16. 
3D modeling, rigging and controller creation using Cinema4D

Fig. 17. 
Creating 3D modeling weights using Cinema4D

•AI 플랫폼을 이용한 리깅 및 웨이트 기존 제작 방식

Fig. 18. 
Rigging and weight creation using AI platform

전통적인 3D 캐릭터 제작 프로세스에서는, 스케치 및 레퍼런스 수집 단계에서 Pinterest, Behance 등 다양한 플랫폼을 활용하여 방대한 양의 레퍼런스를 조사하고, 이를 기반으로 직접 콘셉트 디자인을 수행해야 했다. 이후 모델링, 텍스처링, 리깅 및 웨이트 설정 과정에서는 Cinema4D, Maya 등 다양한 3D 프로그램을 이용하여 모델링 면의 흐름과 면의 개수를 조절하고, 보는 시점에 최적화된 재봉선을 설계한 후, UV 맵 기반 텍스처 제작, 컨트롤러 구축, 그리고 근육의 움직임을 고려한 웨이트 작업까지 세밀한 조정이 요구되었다. 이 모든 과정은 높은 수준의 작업 난도와 제작자의 숙련도가 필요로 하며, 결과물의 품질은 제작자의 기술력과 표현 능력에 따라 크게 좌우되었다.

반면, 생성형 AI 플랫폼을 활용할 경우, 간단한 텍스트 명령어 입력과 직관적인 조작만으로 비교적 신속하고 간편하게 이미지 도출 및 3D 모델 생성이 가능하다. 또한 3D 모델링 제작 과정이 기존 방식에 비해 프로세스가 간소화되고 이에 따라 3D 캐릭터 제작 프로세스 전반에서 작업 난도는 낮아지고 제작 시간은 많이 감소하는 경향을 보였다.

그러나 AI를 통한 제작 방식이 실질적으로 실무 환경에 적용 가능해지려면 단순한 제작 속도 향상뿐만 아니라 결과물의 품질 확보가 필수적이기에 본 연구에서는 제작 효율성과 결과물 품질을 종합적으로 평가하고자 하였다.

먼저 3D 캐릭터 제작 프로세스 과정 중에 콘셉트 및 이미지 도출, 모델링, 텍스처링 과정에서 기존 제작 프로세스의 방식과 생성형 AI를 이용한 제작 프로세스를 비교한 과정에서 효율성이 높은 것과 결과물 품질이 좋은 것을 ‘상’으로 설정하고 효율성과 결과물 품질이 낮은 것을 ‘하’로 나눈 후 생성형 AI를 통한 제작 방식 제작의 효율성, 결과물 품질 두 가지를 비교 분석한 표는 아래와 같다.

제작 프로세스의 효율성과 결과물 품질 비교에서는, 효율성 측면에서는 생성형 AI를 활용한 제작 프로세스가, 결과물 품질 측면에서는 기존 3D 캐릭터 제작 프로세스가 각각 ‘상’에 해당하는 평가를 받은 것으로 나타났다. 이를 바탕으로, 제작의 핵심 단계인 콘셉트 도출 및 이미지 생성, 3D 캐릭터 모델링 제작, 3D 캐릭터 텍스처링 제작 과정에 주목하여 보다 객관적인 비교를 위해 Likert 5점 척도를 적용하여 정량적 분석을 수행하였다.

이때 Likert 5점 척도는 제작 소요 시간은 "1점=매우 느리다, 5점=매우 빠르다", 결과물 품질은 "1점=매우 낮다, 5점=매우 높다", 제작 과정 난이도는 "1점=매우 단순하다, 5점=매우 복잡하다"로 정의하였다. 또한 3점(보통)에 해당하는 기준은 각 작업 단계별 1일 소요를 기준으로 설정하였다.

이를 토대로 분석한 비교 결과는 다음과 같다.

서술적 비교 결과, 제작 소요 시간과 제작 과정 난이도 항목에서는 생성형 AI를 활용한 제작 프로세스가 우수한 평가를 받았다. 구체적으로, 콘셉트 도출 및 이미지 제작, 3D 캐릭터 모델링, 3D 캐릭터 텍스처링 단계에서 생성형 AI를 활용할 때 제작 소요 시간이 기존 방식에 비해 빠르고, 제작 과정 난이도 또한 상대적으로 단순하여 높은 점수를 기록하였다.

반면, 결과물 품질 항목에서는 전통적인 3D 캐릭터 제작 프로세스가 생성형 AI 기반 제작 방식보다 우수한 평가를 받은 것으로 나타났다. 이는 기존 수작업 기반 제작 방식이 여전히 세밀한 디테일 표현과 완성도 확보에 있어 강점을 지니고 있음을 시사한다.

또한, 보다 객관적인 결과 검증을 위해, 그림 19, 그림 20에 제시된 AI 활용 제작 캐릭터와 기존 수작업 제작 캐릭터를 기반으로 10년 차 이상의 3D 캐릭터 실무자 10명을 대상으로 심층 인터뷰를 하였다. 두 비교 이미지는 각각 언리얼 엔진을 활용해 동일한 환경 아래 연출되었으며, 좌측은 생성형 AI를 활용해 제작한 캐릭터, 우측은 기존 실무 제작 방식을 적용한 캐릭터로 구성되었다.

Fig. 19. 
3D character images using production process

Fig. 20. 
Detail 3D character images using the production process

인터뷰 결과, 제작 소요 시간과 난이도 측면에서는 생성형 AI 활용 방식이 높은 효율성을 보였으나, 결과물 품질 면에서는 기존 제작 방식이 우수하다는 평가가 다수 도출되었다. 심층 분석은 개방 코딩(Open Coding) 기법을 통해 주제별로 범주화하였으며, 이를 통해 생성형 AI 기술은 제작 효율성 향상에는 이바지할 수 있으나, 결과물의 품질 확보를 위해서는 여전히 전문가의 세밀한 보완이 필요함을 확인할 수 있었다.

본 연구에서는 1차 제작 비교 결과에 대해 더 객관적인 검증을 위해, 기존 제작 방식과 생성형 AI 기반 제작 방식으로 제작된 캐릭터 결과물을 제시하고, Likert 5점 척도의 개인적인 의견의 표 9~표 11을 3D 캐릭터 제작 실무 경력 10년 이상의 게임 회사 전문가 5인, 스튜디오 전문가 5인 총 10명을 대상으로 심층적 인터뷰를 하였다. 심층적 인터뷰는 제작 효율성, 시각적 완성도, 실무 활용성을 중심으로 진행되었으며, 개방형 질문 방식을 적용하여 다양한 의견을 수집하였다.

• 게임회사 실무자 검증 결과

게임 콘텐츠 제작을 담당하는 검증자 1은, 생성형 AI를 활용한 캐릭터 제작 방식이 실시간 환경에서 캐릭터의 움직임, 크기, 상호작용 방향 등을 빠르게 테스트할 수 있다는 점에서 높은 실용성을 가진다고 평가하였다. 특히 캐쥬얼 스타일 캐릭터를 중심으로 하는 게임의 경우, 초기 디자인부터 실제 게임 환경 구현까지 전반적인 제작 흐름을 빠르게 검토할 수 있어, 제작 효율성이 크게 향상된다는 의견을 제시하였다.

반면, 사실적 스타일의 캐릭터 제작에 있어서는 디테일 표현과 사실성 측면에서 기술적 한계가 존재한다고 지적하였다. 이에 따라 생성형 AI 기반 캐릭터는 클로즈업이나 주요 인물보다는 원경 배치나 부차적 캐릭터 구성에 효과적으로 활용될 수 있으며, 반복적이고 대량의 캐릭터를 구성해야 하는 상황에서 유용하다고 평가하였다. 또한, 게임에서는 애니메이션 적용 여부에 따라 캐릭터 활용도가 크게 달라질 수 있음을 강조하였다.

• 스튜디오 실무자 검증 결과

전통적인 3D 애니메이션 제작 방식을 사용하는 스튜디오 실무자인 검증자 2는, 생성형 AI 도구가 초기 기획 및 캐릭터 스타일링 단계에서 큰 효율성을 발휘할 수 있다고 평가하였다. 특히 AI를 활용하여 다양한 디자인 시안을 빠르게 생성하고, 이를 기반으로 클라이언트와의 시각적 커뮤니케이션을 원활히 진행할 수 있어, 제작 초기 단계의 반복 작업을 대폭 단축할 수 있다는 장점을 언급하였다.

또한 생성형 AI를 활용하면 빠르게 자세를 구성하거나 애니메이션 작업으로 전환하는 흐름을 구축할 수 있어, 3D 캐릭터 제작의 생산성을 높이는 데 긍정적인 영향을 미칠 수 있다고 평가하였다. 그러나 실무에서는 여전히 재질 해상도 조정, 모델링 면 흐름 정리, 클로즈업 디테일 보완 등 추가적인 수작업이 필요하며, 생성형 AI 결과물을 최종 결과물로 직접 사용하는 데에는 한계가 존재한다고 지적하였다.

특히 클로즈업 장면이나 고해상도 시각적 완성도가 요구되는 장면에서는, 생성형 AI 기반 캐릭터의 디테일 부족 문제가 명확히 드러나며, 전통적인 3D 제작 도구를 통한 후처리 작업이 필수적임을 강조하였다.

종합적으로, 심층 인터뷰 결과는 다음과 같은 결론을 도출하였다.

생성형 AI 기반 캐릭터 제작은 초기 기획 단계 및 반복 작업 효율성에서 높은 실용성을 보인다. 캐쥬얼 스타일 캐릭터나 원경 배치용 부차적 캐릭터 제작에 효과적이다. 사실성 요구가 높은 클로즈업 장면이나 주요 인물 캐릭터 제작에는 품질 한계로 인해 추가 수작업 보완이 필요하다. 실질적 실무 적용을 위해서는, 생성형 AI와 기존 수작업 제작 방식을 혼용(hybrid 방식)하는 전략이 효과적이라는 점이 공통으로 제시되었다.

심층적인 인터뷰를 통해 개방코딩 기법으로 코드화 및 범주화를 진행하였다.

기존 제작 방식과 생성형 AI 기반 제작 방식을 비교하기 위해 실시한 심층 인터뷰 결과를 개방 코딩(Open Coding) 기법을 활용하여 분석하였다. 수집된 데이터를 코드 단위로 세분화하고 반복적으로 등장하는 주제를 범주화한 결과, 다음과 같은 주요 항목이 도출되었다.

첫째, 효율성 향상 측면에서 생성형 AI 기술은 3D 캐릭터 제작 초기 단계, 즉 기획, 시안 생성, 기본 모델링 과정에서 제작 속도와 작업 흐름을 획기적으로 개선하는 데 이바지하는 것으로 나타났다. 특히 반복적이고 시간 소모가 큰 초기 작업에서 높은 생산성 향상 효과를 보였으며, 신속한 시각화 및 의사결정 지원 도구로서의 가능성이 확인되었다.

둘째, 적용 범위 및 조건과 관련하여, 생성형 AI 기반 제작 방식은 스타일화된 캐릭터, 부차적 요소 또는 원경용 캐릭터 제작에 효과적인 것으로 평가되었다. 그러나 게임 및 애니메이션 콘텐츠에서는 캐릭터에 자연스러운 애니메이션 적용이 필수적이며, 이 부분에서 생성형 AI 모델의 완성도에 따라 실질적 활용 가능성이 달라질 수 있음이 지적되었다.

셋째, 품질 및 한계에 대한 분석에서는, 생성형 AI가 생성한 캐릭터는 디테일 구현, 재질 해상도, 사실성 측면에서 전통적인 제작 방식에 비해 명확한 한계를 지니는 것으로 나타났다. 특히 클로즈업 장면이나 고해상도 표현이 요구되는 경우, 생성형 AI 결과물은 추가적인 수작업 보정과 리터칭 작업이 필수적이라는 평가가 공통으로 제시되었다.

넷째, 활용 전략을 범주화한 결과, 생성형 AI를 단독으로 사용하는 것보다는 기존 수작업 제작 방식을 병행하는 혼합형 제작 방식이 전체 제작 효율성과 결과물 품질을 균형 있게 확보할 수 있는 최적의 접근법이라는 결론에 도달하였다. 초기 기획 및 반복 작업에서는 AI 기반 자동화를 적극 활용하고, 세밀한 품질 완성도가 요구되는 단계에서는 전문가의 수작업 개입을 통한 후처리를 수행하는 방식이 가장 효과적인 것으로 평가되었다.

이상의 분석을 종합하면, 생성형 AI 기술은 3D 캐릭터 제작 초기 단계의 작업 효율성을 크게 향상할 수 있는 유효한 도구로 활용할 수 있으며, 실무 적용 시에는 수작업 기반의 기존 제작 방식과 적절히 혼합하여 사용하는 것이 바람직하다는 실질적 활용 방안을 제시할 수 있다.

하지만 생성형 AI를 활용한 3D 캐릭터 제작이 초기 디자인과 리깅 과정에서 작업 시간과 제작의 난도가 획기적으로 단축해 실무 효율성을 높일 수 있으며, 품질 면에서도 사용 가능성에 대해 긍정적인 의견도 내놓았다. 하지만 텍스쳐링 문제 면의 흐름에 대한 문제로 인해 다른 도구를 이용하여 필요에 따라 수정하여 사용할 수 있다고 평가하고, 반복 작업 및 시안 제작에 효과적이며, 기존 제작 방식과의 혼합 활용이 바람직하다는 결론을 도출하였다.

따라서, 생성형 AI 기술을 실무 환경에 효과적으로 적용하기 위해서는 인간 전문가의 세밀한 조정과 품질 관리가 필수적이며, 인간-AI 협업 프로세스 구조를 통한 복합형 제작 프로세스 구축이 최적의 전략으로 제시된다. 이는 생성형 AI가 단순한 자동화 도구를 넘어 아티스트의 창의성과 작업 범위를 확장하는 실질적 가능성을 지니고 있음을 시사하며, 향후 3D 캐릭터 제작 실무에서는 제작 효율성과 품질 완성도를 동시에 달성하는 새로운 제작 패러다임으로 자리 잡을 것으로 기대된다.