# \#procedural-generation

**URL:** https://discuss.pytorch.kr/tag/procedural-generation/4212.md

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

---

## [img2obj: 참조 이미지를 애니메이션 가능한 Three.js 절차적 코드로 재구성하는 Codex 플러그인](https://discuss.pytorch.kr/t/img2obj-three-js-codex/11724)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [8월 31, 2026, 12:00오후 UTC](https://discuss.pytorch.kr/t/img2obj-three-js-codex/11724 "2026-08-31T12:00:33Z")

</div>

img2obj 소개 웹에 3D 오브젝트를 하나 올리려면 보통 모델 파일을 구해 옵니다. 에셋 스토어에서 내려받거나, 사진 여러 장으로 포토그래메트리(Photogrammetry)를 돌려 메시를 뽑거나, 3D 도구에서 직접 모델링합니다. 세 방법 모두 결과물이 바이너리 메시라서 저장소에 수십 메가바이트가 들어오고, 회전축이나 여닫히는 부품을 나중에 붙이려면 원본 파일을 다시 열어야 하며, 부품 하나의 비율을 고치는 일이 코드 리뷰로 확인되지 않습니다. 웹 앱을 코드로 관리하는 팀에게 3D 자산만 다른 규칙으로 남는 셈입니다. img2obj는 그 자산을 코드로 되돌리는 쪽을 택한 Codex 플러그인입니다. 참조 이미지 한 장을 넣으면 픽셀을 메시로 변환하는 것이 아니라, 이미지를 판독해 부품 계층과 지오메트리와 재질을 담은 ObjectSculptSpec 을 먼저 작성하고, 그 명세에서 Three.js 지오메트리를 절차적으로 생성하는 TypeScript 팩토리 함수를 만듭니다. 결과물이 코드이므로 회전축(Pivot)과 부착점(Socket)과 부모 자식 관계를 처음부터 명세에 넣을 수 있고, 값 하나를 바꾸는 수정이 diff로 남습니다. 절차 안에 검수 단계가 들어 있다는 점이 이 플러그인의 다른 축입니다. img2obj는 블록아웃에서 형태, 룩데브, 인터랙션으로 단계를 올리면서 각 단계마다 브라우저 렌더 결과를 원본 이미지와 나란히 놓고 차이가 큰 곳부터 고치도록 만들고, 다음 단계로 넘어가기 전에 사용자 승인을 요구합니다. 저자는 이 흐름을 \*"It guides Codex through a controlled reconstruction workflow"\*라고 설명하면서, 픽셀을 완성된 메시로 바꿔 주는 도구가 아니라는 점을 함께 밝히고 있습니다. 저장소는 원래 Three.js-Object-Sculptor-Codex-Plugin 이라는 이름이었고 지금은 img2obj 로 바뀌어 예전 주소가 새 주소로 넘어옵니다. img2obj가 만드는 것과 만들지 못하는 …

---

## [Claude of Duty: 단일 프롬프트로 AI 에이전트가 만든 브라우저 FPS 게임 및 품질 검증 하네스](https://discuss.pytorch.kr/t/claude-of-duty-ai-fps/11611)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [8월 14, 2026, 3:30오전 UTC](https://discuss.pytorch.kr/t/claude-of-duty-ai-fps/11611 "2026-08-14T03:30:03Z")

</div>

Claude of Duty 소개 AI 에이전트에게 규모 있는 코드베이스를 맡길 때 먼저 문제가 생기는 쪽은 코드 작성이 아니라 품질 판정입니다. 빌드가 통과하고 화면이 뜨는 지점까지는 에이전트가 스스로 도달합니다. 그런데 "이 정도면 됐다"를 언제, 어떠한 기준으로 선언해야 하는지는 어려운 문제입니다. 이러한 판정 기준이 주관적이면 에이전트를 몇 바퀴 더 돌려도 결과가 나아졌는지 나빠졌는지 말할 수 없고, 루프는 수렴하는 대신 취향 사이를 왕복합니다. Claude of Duty는 품질 판정을 사람의 취향에서 측정 도구로 옮긴 사례입니다. Matt Shumer(@mshumer)가 공개한 이 저장소는 브라우저에서 실행되는 1인칭 슈팅(FPS, First-Person Shooter) 게임으로, Three.js r180과 WebGL2 기반의 11개 서브시스템, 약 55,000줄 규모의 코드로 작성됐습니다. 코드를 쓴 주체는 오케스트레이션 아래 움직인 여러 AI 에이전트들이고, 사람이 넣은 입력은 저장소의 prompt.md 에 그대로 남아 있는 지시문 한 개뿐입니다. 아트 자산은 저장소에 하나도 없습니다. 텍스처와 메시, 애니메이션, 사운드가 전부 로드 시점에 코드로 생성되며, 런타임 의존성은 three 하나입니다. 즉, 이 저장소에서 눈여겨봐야 할 부분은 게임보다는 게임과 함께 커밋된 검증 장치입니다. 저자 스스로 "이 저장소에서 흥미로운 부분은 게임이 아니라 하네스일 것이다" 라고 적었고, 실제로 프레임을 채점하는 적대적 비평가 에이전트, 픽셀 단위로 회귀를 잡는 게이트, 프레임 시간 분포를 보는 프로파일러가 저장소에 들어 있습니다. 본 게시물에서는 이 하네스의 구성과 저자가 기록한 측정값, 그리고 목표에 끝내 도달하지 못한 지점을 정리합니다. Claude of Duty를 만든 지시문 한 개 저장소의 prompt.md 에는 이 코드베이스를 만들어 낸 지시문 전문이 그대로 공개되어 있습니다. I want you to build a first-person …

---

## [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…

---

## [Infinigen, 절차적 생성 기법을 활용하여 다양한 사실적인 환경을 무한히 생성할 수 있는 프로젝트](https://discuss.pytorch.kr/t/infinigen/5737)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [12월 24, 2024, 3:30오전 UTC](https://discuss.pytorch.kr/t/infinigen/5737 "2024-12-24T03:30:12Z")

</div>

Infinigen 소개 Infinigen은 프린스턴 대학교(Princeton)의 Visual AI Lab에서 개발 및 공개한 오픈소스 프로젝트로 절차적 생성(Procedural Generation)을 활용해 사실적이고 다양한 환경을 무한히 생성할 수 있으며, 컴퓨터 그래픽스와 시뮬레이션 환경에서의 사실적인 장면 생성을 목표로 설계되었습니다. 특히 아래 예시와 같이 두 가지 주요 환경, 실내 환경(Infinigen Indoors)와 자연 환경(Infinigen Nature)을 생성할 수 있도록 합니다: Infinigen은 모든 형태와 재료를 무작위화된 수학적 규칙을 통해 생성하여 무한한 변형을 만들어냅니다. 사용자는 기본 랜덤화 매개변수를 재정의하여 자산 생성에 대한 완전한 제어권을 가질 수 있습니다. 또한, 식물, 동물, 지형, 불, 구름, 비, 눈과 같은 자연 현상을 포함한 다양한 객체와 장면을 생성할 수 있습니다. 이러한 기능은 특히 3D 비전을 포함한 컴퓨터 비전 연구에 최적화되어 있습니다. Infinigen은 범프/노멀 맵이나 완전 투명도와 같은 기하학적 세부 사항을 모방하는 기술을 사용하지 않으며, 모든 세부 사항은 실제 기하학으로 표현되어 정확한 3D 기준 데이터를 보장합니다. 또한, 광학 흐름, 3D 장면 흐름, 깊이, 표면 법선, 파놉틱 세분화, 폐색 경계를 포함한 다양한 컴퓨터 비전 작업에 대한 고품질 주석을 자동으로 생성할 수 있습니다. Infinigen 소개 영상 및 생성 예시 아래는 Princeton Vision and Learning lab에서 미리 생성한 데이터셋의 일부 썸네일로, 장면당 사용 가능한 모든 주석을 포함하여 약 30GB 가량의 저장 공간이 필요합니다: (안내 문서 및 썸네일을 참고해주세요.) Infinigen 주요 기능 자연 환경 생성: Infinigen Nature는 사실적인 산, 강, 숲 등 자연 환경을 생성할 수 있습니다. Blender 내에서…
