메타 SAM 3D 소개: 단일 이미지 3D 재구성

Blog image

2025년 11월에 출시된 Meta의 SAM 3D는 AI 분야에서 즉시 주목을 받았습니다[1]. Meta의 Segment Anything 패밀리의 일원으로서, SAM 3D는 인간 수준의 '상식적인' 3D 이해를 일상적인 이미지에 적용하여 누구나 평범한 사진 한 장으로 물체나 심지어 전체 인체를 3D로 재구성할 수 있게 합니다[2]. 이 원샷 3D 모델러는 오픈소스로 제공되며, 컴퓨터 비전 분야에서 새로운 최첨단 표준을 설정하고 있으며, 이전의 단일 이미지 3D 방법을 크게 능가하고 있습니다[3]. 요컨대, SAM 3D는 Meta의 프롬프트 가능한 비전 툴킷을 2D 세분화에서 3D 도메인으로 확장하여 사용자가 '사진을 생생하게' 매우 쉽게 만들 수 있게 합니다[4][5].

중요한 점은 SAM 3D가 단일 모델이 아니라 두 가지 전문화된 모델이라는 것입니다: SAM 3D Objects는 일반적인 객체 및 장면 복원을 위한 것이고, SAM 3D Body는 전체 인간 형태와 자세 추정을 위한 것입니다[2]. 단 한 장의 사진으로 SAM 3D Objects는 선택된 객체(또는 전체 장면)의 텍스처가 있는 3D 메쉬를 생성할 수 있으며, SAM 3D Body는 한 이미지로부터 현실적인 전체 인체 메쉬를 만들어냅니다[2]. Meta의 연구에 따르면 두 모델 모두 견고한 결과를 제공합니다. 사실, SAM 3D Objects는 벤치마크에서 기존 3D 복원 방법을 상당히 능가합니다[3]. AI로 훈련된 우선순위를 사용하여 깊이와 숨겨진 표면을 유추함으로써 SAM 3D는 이미지 내 객체의 뒤와 아래에 무엇이 있는지를 추측합니다. 전통적인 포토그래메트리(모든 각도에서 수십 장의 사진이 필요한 것)와 달리, SAM 3D는 단 하나의 시점에서 객체의 전체 기하학, 텍스처, 레이아웃을 예측할 수 있습니다[6]. 이 획기적인 발전은 단순한 스냅샷을 찍고 그 안의 세계를 **“3D 프린팅”**하는 공상과학의 아이디어에 한 걸음 더 가까워졌습니다.

[주요 기능 및 혁신]

SAM 3D는 이전의 비전 모델과 차별화되는 여러 기술적 진보를 도입했습니다. 여기 그 핵심 기능과 혁신이 있습니다:

· 단일 이미지 3D 재구성 – 단 하나의 2D 이미지로부터 완전한 3D 장면을 재구성하는 능력을 보유하고 있으며, 이는 이 분야에서 처음 있는 일입니다[7]. 이 “사진에서 3D로”의 기능은 크리에이터들이 다중 카메라 장비나 깊이 센서에서 벗어날 수 있게 하는 주요 돌파구를 나타냅니다.

· 차폐 및 혼잡 처리 – 현실 세계의 복잡성에 견고합니다: SAM 3D는 차폐되거나 부분적으로 숨겨진 객체와 복잡한 장면에 영향을 받지 않습니다[8]. 이는 학습된 맥락을 사용하여 단일 사진으로 볼 수 없는 객체의 숨겨진 부분을 “채워 넣는” 상식적인 3D 이해를 통해 인간의 지각을 모방합니다.

· 텍스처가 포함된 완전한 기하학 – 단순한 형상이 아니라 세부 텍스처가 있는 메시를 출력합니다. SAM 3D는 객체의 전체 기하학을 생성하고 고품질의 표면 텍스처와 장면 배치 위치까지 제공합니다[9]. 실제로, 즉시 사용할 수 있는 3D 모델(예: 표준 .ply/.obj와 함께 제공되는 텍스처[10])을 얻을 수 있으며, 모든 각도에서 현실적으로 보입니다.

· 고급 훈련 및 정확성 – Meta는 새로운 기법으로 대규모 이미지 데이터셋에서 SAM 3D를 훈련하여 이전 모델보다 훨씬 더 나은 결과를 얻었습니다[11]. 새로운 벤치마크 데이터셋 (SAM 3D 아티스트 오브젝트)이 이를 엄격하게 평가하기 위해 만들어졌습니다[12]. 그 결과, 이전 접근 방식이 실패할 수 있는 다양한 이미지와 시나리오에 걸쳐 일반화할 수 있는 모델이 탄생하여, 진정으로 AI가 안내하는 3D 재구성의 새로운 기준을 세웠습니다[13].

· 휴먼 메쉬 혁신 (SAM 3D 바디) – 사람 중심의 변형은 *모멘텀 휴먼 리그(MHR)*을 도입하여 골격 자세와 신체 형태를 분리하는 새로운 매개변수 메쉬 표현을 제공합니다[14]. 간단히 말해, SAM 3D 바디는 사람의 자세와 비율을 이전 방법보다 더 정확하고 해석 가능하게 캡처할 수 있습니다. 이는 현실적인 디지털 인간이 필요한 응용 프로그램(가상 착용부터 스포츠 과학까지)에 혁신적입니다.

· 사람이 주도하는 개선 – 모델은 인간의 피드백 루프를 통해 결과를 더욱 그럴듯하고 미적으로 개선했습니다[15]. 이 추가된 'E-E-A-T' 터치는 SAM 3D의 재구성이 기술적으로 정확할 뿐만 아니라 인간의 눈에 비율과 세부 사항 면에서 올바르게 보이게 합니다.

· 빠른 원클릭 결과 – 복잡함에도 불구하고, SAM 3D는 속도를 최적화했습니다. 이미지를 통해 3D 모델을 생성하는 데는 거의 실시간(수 시간이 아닌 몇 초)밖에 걸리지 않습니다.[16]. 이러한 실시간 특성 덕분에 3D 생성이 클릭하고 기다리는 경험으로 변하여, 일상 사용자들이 긴 렌더링 지연 없이 강력한 3D 콘텐츠 생성 기능을 사용할 수 있습니다.

어떻게 작동하나요? 간단히 말해, SAM 3D는 비전 트랜스포머 기반 이미지 인코더, 세그먼트 마스크 프로세서(원본 2D Segment Anything을 활용하여 객체를 선택), 여러 3D 예측 모듈(깊이 추정, 기하학 생성, 텍스처 합성 및 Gaussian splatting 렌더러까지)을 결합합니다[17]. 기본적으로 먼저 2D 이미지 콘텐츠를 이해하고, 다음으로 대상 객체를 세그먼트하며, 그 후 3D 형태와 깊이를 추론하고, 최종적으로 텍스처가 적용된 3D 메시를 사용자 친화적인 형식으로 출력합니다[18][10]. 이 모든 과정은 사용자가 3D 전문 지식이 없어도 가능하며, 복잡한 작업은 Meta의 사전 훈련된 모델과 알고리즘이 처리합니다. Meta는 코드와 모델 가중치를 오픈 소스화하여 개발자들이 자신들의 프로젝트에 SAM 3D를 통합하거나 미세 조정할 수 있도록 했습니다[19][20].

[응용 프로그램 및 사용 사례]

놀라운 점을 넘어 SAM 3D가 왜 중요한가요? 실질적으로 이 기술은 다양한 산업에서 흥미로운 응용 프로그램의 가능성을 열어줍니다:

· 증강 현실 및 VR: SAM 3D는 2D 사진을 즉시 3D 소품이나 환경으로 변환할 수 있어 AR/VR 제작자에게 큰 도움을 줍니다. 팀은 참조 이미지에서 객체를 3D로 “끌어내어” 몰입형 장면을 더 빠르게 프로토타입할 수 있습니다[21][22]. 예를 들어, 의자의 간단한 휴대폰 스냅샷이 VR 게임이나 AR 가구 배치 앱에서 3D 자산으로 사용될 수 있습니다 – 3D 모델링 스킬이 필요하지 않습니다.

· 로봇 및 자율 시스템: 로봇과 AI 시스템은 환경에 대한 3D 이해가 필요해요. SAM 3D는 단일 카메라 이미지에서 3D 모델을 생성하여 객체 인식과 공간 추론을 돕습니다[22]. 이는 로봇이 물체를 잡거나 장면을 탐색할 때 단일 이미지 프레임에서 깊이 정보를 제공하여 개선할 수 있어요. 드론이나 자율 주행 자동차에서는 단일 스냅샷으로 3D를 '이해'하여 장애물을 피하거나 물체의 크기를 추정할 수 있습니다.

· 헬스케어 및 스포츠 과학: SAM 3D 바디 모델은 의학, 스포츠 및 피트니스에 새로운 가능성을 열어줍니다. 한 장의 사진이나 엑스레이로 의료진은 환자의 신체나 자세를 3D로 추정할 수 있어요. Meta는 특히 스포츠 의학[22]에서의 응용을 언급하고 있어요. 예를 들어, 단일 액션 샷에서 선수의 자세를 3D로 분석하거나, 물리치료 환자들이 자신의 포즈와 정렬을 3D로 보고 더 나은 피드백을 받을 수 있게 도와줍니다.

· 게임 및 3D 콘텐츠 제작: 게임 개발자와 3D 아티스트는 SAM 3D를 사용하여 자산 생성의 지름길로 활용할 수 있어요. 처음부터 모델링하는 대신, 컨셉 아트나 참고 사진을 SAM 3D에 입력하여 캐릭터, 소품 또는 환경의 기본 모델을 생성할 수 있습니다. 이는 인디 개발자들이 풍부한 3D 세계를 채우는 데 있어 장벽을 낮춰줍니다. 창작자는 길에서 멋진 오토바이를 찍어 SAM 3D를 사용해 게임용 바이크의 텍스처가 있는 3D 모델을 얻을 수 있으며, 이는 수작업 모델링에 걸리는 시간을 절약해 줍니다. 신속한 프로토타이핑과 창의적인 반복 작업에 강력한 도움을 주죠[22].

단일 이미지에서 사용 가능한 3D 자산으로 이동하고자 하는 창작자를 위해 Tripo AI와 같은 도구는 이미지에서 3D로, 텍스트에서 3D로의 제작 워크플로우를 위한 AI 3D 모델 생성기를 제공합니다.

· 전자 상거래 및 가상 시착: 현실 세계에 매력적인 사용 사례 중 하나는 인터랙티브 쇼핑이에요. 메타는 이미 페이스북 마켓플레이스의 새로운 “방에서 보기” 기능에 SAM 3D를 사용하고 있어요. 이를 통해 사용자는 단순히 제품 사진만으로 가구를 자신의 집에 시각화할 수 있어요[23]. SAM 3D는 리스트 사진에서 램프와 같은 제품의 3D 모델을 생성하고, AR을 통해 그 램프를 사용자의 방에 배치해 줍니다. 이는 고객이 구매 전에 스타일과 적합성을 판단하는 데 도움을 줍니다. 유사하게 패션 소매업체도 신발이나 핸드백의 단일 카탈로그 이미지를 3D로, 그리고 모든 각도에서 실제 크기로 볼 수 있게 하여 온라인 쇼핑 경험을 향상시킬 수 있습니다.

· 교육 및 연구: 교육자들은 교과서 이미지나 박물관 사진을 3D 모델로 변환하여 역사, 생물학 등의 개념을 더 잘 설명할 수 있습니다. 고고학이나 지질학과 같은 분야의 연구자들은 유적지나 유물의 사진을 통해 3D 형태를 재구성하여 분석할 수 있습니다. 과학적 시각화에서는 단일 현미경 이미지나 위성 사진이 3D 모델로 확장되어 더 깊은 통찰력을 제공할 수 있습니다. SAM 3D는 3D 창작을 민주화함으로써 시각 데이터를 사용하는 모든 분야에서 혁신을 가속화할 수 있습니다.

이러한 사용 사례는 시작에 불과해요. 단일 이미지만 가지고도 3D 뷰나 자산을 원할 때, SAM 3D가 새로운 필수 도구로 고려돼요. 입력 요구 사항을 한 장의 사진으로 줄임으로써 3D 콘텐츠를 얻는 데 필요한 마찰을 크게 줄여줍니다. Meta 팀의 말에 따르면, SAM 3D는 연구자부터 창작자에 이르기까지 모두에게 시각적 세계와 상호작용하고 이해하는 새로운 방법을 열어줍니다[22].

[비교 및 경쟁 구도: SAM 3D의 위치]

SAM 3D는 다른 솔루션과 비교했을 때 어떤가요? 이 모델은 많은 기술 기업들이 비전 AI의 한계를 확장하고 있는 시점에 등장했어요. 여기에서 SAM 3D가 현재의 구도에서 어디에 위치하는지 높은 수준에서 살펴보겠습니다:

· 전통적인 3D 스캐닝과의 비교: SAM 3D와 같은 AI 접근 방식 이전에는 실제 물체의 3D 모델을 만들기 위해 주로 사진측량법이나 깊이 센서를 사용했습니다. 이러한 방법은 다수의 이미지나 특수 하드웨어(예: 물체 주변의 수십 장의 사진 촬영 또는 LiDAR 사용)가 필요했습니다. SAM 3D는 방대한 데이터를 학습하여 누락된 뷰를 추론함으로써 이를 뒤집으며, 단일 RGB 이미지 입력만 필요합니다[6]. 단점은 SAM 3D의 출력이 완벽한 정확한 스캔이 아니라 그럴듯한 재구성이라는 점입니다. 학습된 우선 순위에 기반하여 숨겨진 표면을 상상해 냅니다. 하지만 실제로 많은 응용 분야(게임, AR 효과, 컨셉 아트)에서는 현실적인 모사만으로 충분합니다. 편리함과 속도의 큰 이점이 종종 물리적 정확성의 손실을 능가합니다. 요컨대, SAM 3D는 3D 스캐닝에 있어서 생성 모델이 사진 촬영에 해당하는 것으로, 더 빠르고 유연하며, 원본 장면에 대해 센티미터 단위의 정확성은 아니더라도 다양한 용도에 충분히 적합합니다.

· 다른 AI 3D 생성기와 비교: Meta의 단일 이미지 3D 기술은 이 분야의 대부분의 현재 AI 제품보다 앞서 있습니다. 예를 들어, OpenAI는 텍스트나 이미지에서 3D 포인트 클라우드나 암묵적 형태를 생성할 수 있는 Point·E와 Shap·E 같은 모델로 3D 생성에 도전해 왔습니다. 그러나 이러한 모델들은 여전히 비교적 저해상도이며, 결과는 종종 희박하거나 추상적이고 사진 실사에 미치지 못합니다[24]. 이는 초기 탐색에 불과했으며, 생산 준비가 된 도구는 아니었습니다. 반면에, SAM 3D는 더 높은 품질의 텍스처 출력을 제공하여 세부 사항을 “채워주며”, 대규모로 실제 이미지에 대해 검증되었습니다[3]. 또 다른 작업 라인에는 NeRF (Neural Radiance Fields) 및 관련 기법이 포함되며, 2D 입력에서 아름다운 3D 뷰를 생성하지만, 일반적으로 여러 뷰나 장면별로 신중한 훈련이 필요합니다. SAM 3D의 다양한 객체 유형에 대해 한 이미지에서 일반화할 수 있는 능력은 차별화된 강점입니다. 또한 완전히 오픈 소스이며, 추론 코드와 모델 체크포인트가 쉽게 제공됩니다[19][25], 반면 일부 최신 3D 모델은 독점적이거나 실행하기 어려운 경우가 많습니다. 전반적으로, SAM 3D는 현재 단일 이미지 3D 재구성에서 능력과 접근성 면에서 최고의 솔루션으로 돋보입니다.

· Versus Segment Anything (2D) 및 관련 모델: “SAM 3D”는 Meta의 원래 Segment Anything Model(2D에 중점을 둔)의 유산을 기반으로 하고 있다는 점을 주목할 가치가 있어요. 올해 초 Meta는 SAM 3(때때로 SAM v3라고도 함)도 발표했는데, 이는 이미지/동영상에서 텍스트 기반의 세분화 및 추적을 처리합니다[1]. SAM 3D는 시야를 3D로 확장하는 자매 모델이에요. 또한 혼란을 주는 학술 프로젝트인 “SAM3D”(또는 SAM-Part3D)라는 이름의 프로젝트가 있었는데, 이는 3D 포인트 클라우드에서 부분을 세분화하는 것을 다루지만 완전히 다른 접근 방식(기존 3D 데이터를 라벨링하는 것이지 2D에서 3D를 생성하는 것이 아님)입니다[26]. Meta의 SAM 3D는 평면 이미지에서 새로운 3D 표현을 생성한다는 점에서 독특합니다. Meta의 자체 비교에 따르면, SAM 3D Objects는 학습 기반 접근 방식과 대규모 학습 데이터 덕분에 표준 벤치마크에서 이전 학술 방법보다 훨씬 뛰어났습니다[13].

· SAM 3D와 Google의 Nano Banana Pro (2D): 흥미롭게도 SAM 3D는 다른 AI 이정표들이 병행하는 분야에서 등장합니다. 주목할 만한 예로는 2025년 말에 출시된 Google DeepMind의 Nano Banana Pro가 있습니다. Nano Banana Pro는 3D 도구가 아니며, Gemini 3 AI 플랫폼을 기반으로 구축된 최첨단 이미지 생성 및 편집 모델입니다. 이 모델은 4K 해상도로 거의 사진 같은 이미지 편집을 제공하며, 편집 시 95% 이상의 일관성을 자랑합니다[27]. 즉, Nano Banana Pro는 놀라운 정밀도로 이미지를 수정 또는 생성할 수 있으며, 많은 Photoshop 작업을 대체할 가능성이 있다고 평가받고 있습니다[28][27]. 반면 Meta의 SAM 3D는 공간적 영역에서 작동하며, 게임, 애니메이션 또는 AR 장면에서 사용할 수 있는 3D 모델을 재구성할 수 있습니다. 두 모델 모두 획기적인 모델이지만, 상호 보완적인 목적을 가지고 있습니다. Nano Banana Pro는 2D 창작 결과물에 뛰어나며, 여러분의 아이디어를 AI 마법으로 그림으로 변환하거나 그림을 수정합니다[27]. SAM 3D는 사진에서 객체를 3D로 추출하는 데 뛰어나며, 평면 이미지를 손으로 만지거나 회전시키거나 가상 공간에 배치할 수 있는 것으로 변환합니다. 이 두 모델은 AI를 사용하여 멋진 이미지를 생성하고 (Nano Banana Pro와 같은 도구를 사용해) 그 이미지에서 요소를 즉시 3D 모델로 끌어올리는 미래의 워크플로를 암시합니다 (SAM 3D와 같은 도구를 사용해) – 상상에서 이미지로, 이미지에서 상호작용 3D 콘텐츠로의 매끄러운 다리 역할을 합니다. 이러한 AI 발전이 사용자에게 얼마나 빠르게 전달되는지를 보는 것도 의미가 있습니다. 예를 들어, 세계 최초의 개인 AI 에이전트 플랫폼으로 알려진 Macaron은 Google의 Nano Banana 모델을 Playbook에 통합하여, 이러한 이미지 편집 기능을 시연하는 원클릭 미니 앱 모음을 출시했습니다[29]. Macaron 사용자들은 사진에서 의상을 교체하거나 2D 아트에서 3D 스타일의 피규어 모형을 생성하는 등, 모두 Nano Banana의 기술로 가능하게 됩니다[30][31]. 이러한 최첨단 연구의 즉각적인 번역은 SAM 3D에서도 우리가 기대하는 바입니다. Macaron 또는 Adobe와 같은 플랫폼이 SAM 3D를 통합하여 사용자가 단일 사진을 업로드하고 창작 프로젝트에 사용할 준비가 된 3D 모델을 받을 수 있게 상상할 수 있습니다. 즉, 경쟁 구도는 “SAM 3D 대 Nano Banana”라기보다는 이미지 완성을 목표로 하는 AI 도구들이 출현하는 풍부한 생태계이며, 일부는 3D를 해제하는 데 집중하고, 진보적인 회사들은 두 가지를 결합하여 창작자를 지원합니다. SAM 3D는 연구실에만 국한되었던 기능을 직접 개발자와 아티스트에게 가져다줌으로써 Meta에게 차세대 도구 세트에서 확고한 위치를 확보해 줍니다.

[결론: 창의성의 새로운 차원]

Meta의 SAM 3D는 AI 분야에서 빠르게 발전하는 모습을 보여줍니다: 평면 이미지를 이해하는 것에서 그 뒤의 3D 세계를 재구성하는 단계로 나아가고 있습니다. 이 기술은 창작자와 혁신가들이 할 수 있는 일에 완전히 새로운 차원을 더합니다. 최근 AI 모델이 놀라운 사실성을 가진 2D 이미지를 생성하고 편집하는 것을 더 쉽게 만든 것처럼, SAM 3D는 이제 간단한 스냅샷을 찍고 3D 자산을 얻을 수 있게 합니다. 이는 고급 연구실 외의 사람들에게는 불과 몇 년 전까지만 해도 상상할 수 없었던 일이었습니다.

경험, 전문성, 권위, 신뢰성의 관점에서 볼 때, SAM 3D는 많은 면에서 탁월해요. 이는 Meta의 숙련된 AI 연구자들이 개발했어요 (전문성 ✅) 투명성을 위해 공개된 체크포인트와 평가 데이터를 제공했어요[20] (신뢰성 ✅). 이미 Meta는 실제 사용 사례(마켓플레이스 AR 가구 미리보기 등)를 통해 모델을 시연했어요[23] (경험 ✅). 모델을 오픈소싱하고 벤치마크를 공유함으로써, Meta는 연구 커뮤니티가 이를 검증하고 발전시키도록 초대했어요 (권위 ✅). 이러한 모든 점은 SAM 3D를 단순한 데모가 아닌, 다른 사람들이 신뢰할 수 있는 진지한 애플리케이션을 위한 도구로 자리매김하게 해요.

기술 애호가와 연구자들에게 SAM 3D는 신선하게 접근 가능합니다. 설정 없이 Meta의 Segment Anything Playground에서 직접 체험해 볼 수 있습니다 – 이미지를 업로드하면 브라우저에서 3D 결과를 확인할 수 있습니다[32]. 개발자들은 GitHub에서 코드를 가져와 몇 시간 만에 자신의 앱에 단일 이미지 3D 변환을 통합할 수 있습니다. 이러한 실험의 용이성 덕분에 향후 몇 달 동안 창의적인 사용 및 통합이 급증할 것으로 예상됩니다. 인디 게임 제작자들이 SAM 3D로 생성된 모델로 장면을 채우거나 AR 필터 제작자들이 사용자에게 스냅샷을 3D 스티커로 변환하도록 하는 것도 놀랍지 않을 것입니다. 2D와 3D 콘텐츠 사이의 장벽이 점차 사라지고 있습니다.

결론적으로, Meta SAM 3D는 창의적인 환경을 풍부하게 할 중요한 발전을 나타냅니다. 이는 Google의 Nano Banana Pro와 같은 혁신과 함께 AI가 평면 이미지에서 완전한 3D 경험에 이르기까지 콘텐츠 창작을 혁신하는 방법을 보여줍니다. 단일 이미지에서 3D 모델을 만들어내는 능력은 시간을 절약하고, 새로운 아이디어를 촉발하며, 아마도 새로운 산업을 탄생시킬 수 있습니다(가상 부동산 연출, 오래된 사진에서의 3D 기억, 셀피에서 생성된 맞춤형 게임 아바타 등을 상상해 보십시오). 누구나 AI를 통해 3D 창작자나 AR 디자이너가 될 수 있는 시대에 진입하고 있습니다.

Macaron과 같은 플랫폼은 이러한 혁신이 얼마나 빨리 일상 도구로 변할 수 있는지를 보여주었습니다[29]. SAM 3D가 채택되면서, 우리는 이것이 창의적인 소프트웨어, 모바일 앱, AI 에이전트 플랫폼에 통합되는 것을 기대하고 있습니다. 아마도 곧 '사진 편집' 옵션 옆에 '3D 만들기' 버튼이 생길지도 모릅니다. 한 가지 확실한 것은, SAM 3D를 도입함으로써 Meta는 더욱 몰입적이고 상호작용적인 디지털 세계로 가는 문을 열었으며, 그 문을 통과하는 것은 사진을 찍는 것만큼이나 간단할 것입니다. 창의성의 미래는 다차원적이며, SAM 3D와 함께 그 미래가 공식적으로 도래했습니다. [33][4]

출처: Meta AI 블로그[34][22]; Meta 뉴스룸[1][35]; echo3D Medium 브리핑[6][14]; Tech Explorer 튜토리얼[36][8]; Macaron 플레이북 & 블로그[29][27]; OpenAI/Rerun 노트[24].

[1] [2] [3] [4] [5] [12] [13] [20] [22] [23] [25] [32] [33] [34] [35] 새로운 Segment Anything 모델은 객체를 감지하고 3D 재구성을 만들기 쉽게 만듭니다