# \#image-to-3d

**URL:** https://discuss.pytorch.kr/tag/image-to-3d/3986.md

[최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md)

---

## [image-blaster: 이미지 한 장에서 3D 환경과 효과음을 만들어내는 Claude 스킬셋](https://discuss.pytorch.kr/t/image-blaster-3d-claude/11500)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [8월 4, 2026, 12:30오전 UTC](https://discuss.pytorch.kr/t/image-blaster-3d-claude/11500 "2026-08-04T00:30:21Z")

</div>

image-blaster 소개 사진 한 장을 3D 공간으로 옮기는 작업은 이미 여러 생성 모델이 각자 한 조각씩 담당하고 있습니다. 단일 이미지에서 메시를 뽑는 모델이 있고, 파노라마나 가우시안 스플랫으로 공간을 만드는 모델이 있고, 텍스트에서 효과음을 만드는 모델이 따로 있습니다. 문제는 그 사이를 잇는 일이 전부 사람 몫이라는 점입니다. 어떤 물체를 개별 오브젝트로 뽑을지 고르고, 그 물체를 지운 배경 이미지를 따로 만들고, 각 모델의 요청 형식과 폴링 코드를 쓰고, 결과 파일을 프로젝트 폴더에 정리하는 과정이 매번 반복됩니다. image-blaster는 그 접합부를 Claude Code 스킬로 고정해, 이미지 한 장을 넣으면 탐색 가능한 3D 환경과 3D 오브젝트, 효과음까지 한 흐름으로 만들어내는 저장소입니다. Neilson Koerner-Safrata가 공개한 이 저장소는 라이브러리가 아니라 작업 환경 자체 입니다. 저장소를 클론한 뒤 그 안에서 claude 를 실행하면, 저장소에 들어 있는 여덟 개의 스킬과 에이전트 정의, 노드 스크립트가 Claude의 작업 지침이 됩니다. 사용자는 input/ 디렉토리에 이미지를 넣고 "blast it and confirm each step with me" 처럼 말하면 되고, 실제 모델 호출은 World Labs와 FAL 두 곳의 API 키로 이뤄집니다. 저자는 이미지 한 장에서 메시까지 갖춘 3D 환경에 5분 이내로 도달할 수 있다고 설명합니다. 기본 설정에서 만들어지는 산출물은 세 종류입니다. 움직일 수 있는 물체는 .glb·.obj 3D 모델로, 정적인 배경 공간은 가우시안 스플랫(Gaussian Splat) 형식인 .spz 로, 소리는 환경 앰비언스 루프와 물체별 충돌음 .mp3 로 각각 생성됩니다. 저장소에는 결과를 바로 확인할 수 있는 React·Three.js 기반 뷰어(app/)도 함께 들어 있어, 생성한 스플랫과 메시를 브라우저에서 걸어 다니며 볼 수 있습니다. 기존 방식의 한계와 ima…

---

## [img2threejs: 이미지 한 장을 코드로 재구성하는 Three.js 3D 모델 생성 도구](https://discuss.pytorch.kr/t/img2threejs-three-js-3d/11410)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [7월 26, 2026, 6:30오전 UTC](https://discuss.pytorch.kr/t/img2threejs-three-js-3d/11410 "2026-07-26T06:30:09Z")

</div>

img2threejs 소개 이미지 한 장을 3D 모델로 바꾸는 접근은 보통 사진측량(photogrammetry) 이나 메시 추출, 혹은 미리 만들어진 에셋 팩을 내려받는 방식으로 이루어집니다. 이 방식들은 대용량 메시 파일을 만들어 내고, 결과물을 코드로 검토하거나 버전 관리하기 어렵습니다. AI 에이전트로 이 작업을 돌릴 때는 매 단계마다 모델 전체를 다시 읽고 픽셀을 점수 매기느라 토큰이 크게 소모되는 문제도 있습니다. img2threejs는 이 문제를 코드에 의한 재구성(reconstruction-by-code) 으로 접근합니다. 참조 이미지 한 장을 주면, 그 객체를 기본 도형(primitive) 과 절차적 셰이더(procedural shader), 생성된 지오메트리로 다시 만든 TypeScript로 작성된 THREE.Group 팩토리를 산출합니다. 결과물에는 피벗, 소켓, 콜라이더 같은 런타임 계층이 포함되어 있어, 정적인 덩어리가 아니라 곧바로 애니메이션에 쓸 수 있는 모델이 됩니다. img2threejs는 Claude Code, Codex, OpenCode 위에서 동작하는 에이전트 스킬 형태이며, 특정 에이전트에 종속되지 않습니다. 이미지 읽기, 브라우저 MCP, 프로젝트 미리보기, 사용자가 준 스크린샷 등 호스트가 제공하는 수단을 그대로 활용합니다. 아래는 참조 이미지 한 장을 코드로 재구성해 브라우저에서 돌아가는 3D 모델로 만든 예시입니다. img2threejs의 품질 게이트 파이프라인 img2threejs의 핵심은 단계별로 나뉜 조각(sculpting) 파이프라인입니다. 각 단계는 스크립트가 게이트를 강제하고, 통과 여부는 에이전트의 시각적 판단(agent vision) 이 결정합니다. 아래 그림은 전체 흐름을 정리한 것입니다. 참조 이미지가 들어오면 먼저 적합성 게이트로 3D 대상이 될 수 있는지 판단하고, 사양(spec) 을 작성합니다. 엄격 품질 게이트(strict-quality) 는 사양이 객체 복잡도에 비해 너…

---

## [3DCellForge: 참조 이미지를 인터랙티브 3D 모델로 만드는 웹 스튜디오](https://discuss.pytorch.kr/t/3dcellforge-3d/10706)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [6월 16, 2026, 2:30오전 UTC](https://discuss.pytorch.kr/t/3dcellforge-3d/10706 "2026-06-16T02:30:26Z")

</div>

3DCellForge 소개 이미지 한 장을 3D 모델로 바꿔 주는 생성 모델은 빠르게 늘었지만, 막상 생성한 모델을 한 화면에서 돌려 보고 품질을 따지고 발표 자료로 다듬는 작업대는 흔치 않습니다. 3DCellForge 는 이 부분을 메우려는 React와 Three.js 기반 프로토타입으로, 업로드한 참조 이미지나 GLB 파일을 인터랙티브한 3D 작업 공간으로 만들어 주는 웹 스튜디오입니다. 저장소 이름은 3DCellForge이고, 앱 화면에서는 "3D Model Studio"라는 이름으로 표시됩니다. 3DCellForge의 중심에는 React Three Fiber로 만든 모델 뷰어가 있습니다. 마우스를 끌어 회전하고 스크롤로 확대하며, 구조의 일부만 분리해 살펴보거나 모델 세부 정보를 확인하고 현재 장면을 내보낼 수 있습니다. 화면은 왼쪽의 모델 라이브러리, 가운데의 WebGL 무대(stage), 오른쪽의 에셋·생성 도구로 이루어진 3단 워크벤치 구조입니다. 참조 이미지를 올리면 여러 이미지-투-3D(image-to-3D) 프로바이더 중 하나로 실제 3D 모델을 생성할 수 있고, 결과물은 GLB로 내보낼 수 있습니다. 단, 현재 3DCellForge 프로젝트는 아직 프로토타입 단계임을 분명히 밝히고 있습니다. 그럼에도 생성 큐, 업로드 기록, 품질 점수, 데모 발표 모드처럼 "생성 이후"를 다루는 기능이 갖춰져 있어, 단순 생성 데모를 넘어 만든 모델을 검수하고 보여 주는 흐름까지 한 화면에서 시험해 볼 수 있습니다. 본 게시물에서는 3DCellForge의 워크벤치 구성, 지원하는 생성 프로바이더, 기술 스택과 데이터 보존 방식, 그리고 설치·실행 방법을 정리합니다. 3DCellForge의 워크벤치와 데모 모드 3DCellForge의 기본 화면은 의도적으로 조용하게 구성됩니다. 왼쪽 Model Library 레일에서 활성 모델을 고르고, 이전에 만든 모델은 펼치기 전까지 Saved Assets 아래에 접혀 있습니다. 오른쪽 Asset S…

---

## [Modly: 이미지 한 장으로 3D 모델을 생성하는 로컬 실행 데스크톱 앱 (feat. Lightning Pixel)](https://discuss.pytorch.kr/t/modly-3d-feat-lightning-pixel/9352)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [4월 3, 2026, 6:30오전 UTC](https://discuss.pytorch.kr/t/modly-3d-feat-lightning-pixel/9352 "2026-04-03T06:30:57Z")

</div>

Modly 소개 3D 모델을 만들기 위해서는 전통적으로 전문 모델링 소프트웨어를 다루는 기술이 필요했습니다. 최근에는 AI를 활용해 이미지로부터 3D 모델을 자동으로 생성하는 방법이 등장했지만, 대부분 클라우드 서비스에 의존하거나 복잡한 환경 구성이 요구되었습니다. Modly는 이러한 문제를 해결하기 위해 만들어진 데스크톱 애플리케이션으로, 이미지 한 장을 입력하면 로컬 GPU에서 AI 추론을 실행하여 3D 메시(Mesh)를 생성합니다. 클라우드 서버나 외부 계정 없이 사용자의 컴퓨터 안에서 모든 처리가 완결됩니다. Windows와 Linux를 지원하며, macOS 지원도 준비 중입니다. Modly는 Lightning Pixel이 공개한 오픈소스 프로젝트로, MIT 라이선스로 공개되어 있습니다. Electron 프론트엔드(TypeScript)와 FastAPI 기반의 Python 백엔드를 결합한 구조로, 데스크톱 GUI와 AI 추론 파이프라인이 하나의 애플리케이션으로 통합되어 있습니다. 사용자는 모델링 지식 없이도 이미지를 불러와 3D 모델로 변환하고 원하는 포맷으로 내보낼 수 있습니다. 생성된 모델은 GLB, OBJ, STL, PLY 등 다양한 포맷으로 내보내기를 지원하여 Blender, Unity, Unreal Engine 등 주요 3D 소프트웨어와 호환됩니다. 이미지가 업로드되는 외부 서버가 없으므로 개인 이미지의 프라이버시도 보장됩니다. Modly의 동작 방식 Modly의 처리 흐름은 세 단계로 구성됩니다. 먼저 사용자가 이미지를 선택하면 AI가 자동으로 배경을 제거(Background Removal)합니다. 그다음 로컬 GPU에서 신경망 추론(Neural Inference)을 실행하여 2D 이미지로부터 3D 형상을 복원합니다. 마지막으로 생성된 3D 메시를 내장 뷰어에서 미리 확인한 뒤 원하는 포맷으로 내보낼 수 있습니다. 이 모든 과정이 인터넷 연결 없이 사용자의 GPU 위에서 동작합니다. 이미지 입력 ↓ AI 배경 제거 (Ba…

---

## [Hunyuan3D, Tencent가 공개한 텍스트/이미지 기반 3D 생성 프레임워크](https://discuss.pytorch.kr/t/hunyuan3d-tencent-3d/5451)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [11월 9, 2024, 9:36오전 UTC](https://discuss.pytorch.kr/t/hunyuan3d-tencent-3d/5451 "2024-11-09T09:36:23Z")

</div>

Hunyuan3D 소개 Hunyuan3D-1.0은 텐센트가 개발한 통합 3D 생성 프레임워크로, 텍스트 및 이미지 기반의 3D 생성을 지원합니다. 기존의 디퓨전(diffusion) 기반 3D 생성 모델은 느린 생성 속도와 낮은 범용성이라는 한계가 있습니다. Hunyuan3D-1.0은 이러한 문제를 해결하기 위해 설계되었으며, 효율적인 두 단계 생성 방식을 통해 보다 빠른 속도로 고품질 3D 자산을 생성합니다. Hunyuan3D 아키텍처 개요 Hunyuan3D 은 다중 시점 디퓨전 모델(multi-view diffusion model)과 피드포워드 재구성 모델로 구성된 2단계 모델 아키텍처를 사용합니다. 이 구조는 단일 시점으로부터 복잡한 다중 시점을 처리하는 대신, 텍스트나 이미지 프롬프트를 기반으로 다양한 각도에서 촬영한 것과 같은 다중 시점 RGB 이미지를 생성합니다. 이 아키텍처는 특히 고해상도의 다각도 이미지를 생성하여, 3D 객체의 복잡한 디테일과 구조를 유지하며 3D 모델을 재구성할 수 있습니다. Hunyuan-DiT라는 텍스트-이미지 변환 모델이 추가되어, 텍스트 기반과 이미지 기반 3D 생성이 모두 가능하게 설계되었습니다. Hunyuan3D-1.0의 생성 과정은 크게 두 단계로 구성됩니다. 첫 번째 단계에서 사용되는 다중 시점 디퓨전 모델은 입력된 텍스트나 이미지 프롬프트에 따라 여러 시점에서 촬영한 이미지들을 생성합니다. 이 과정에서 각도와 조명을 다양하게 적용하여, 생성된 이미지들이 3D 객체의 각 시점에서의 디테일을 포착하도록 합니다. 다중 시점 생성의 장점: 기존의 단일 시점 3D 생성 모델들은 하나의 이미지에서 모든 3D 정보를 복원하는데 어려움을 겪었으나, Hunyuan3D-1.0의 다중 시점 접근 방식은 이러한 한계를 극복할 수 있게 합니다. 속도: 이 단계는 약 4초 정도 소요되며, 고속 생성이 가능합니다. 두 번째 단계는 피드포워드 재구성 모델을 사용하여 다중 시점 이미지를 기반으로 3D 메쉬를 생성합니다.…
