
사진 한 장으로 3D 프린트까지 할 수 있을까 — 노트북 GPU에서 TRELLIS를 돌려 본 실험
Tripo나 Meshy 같은 서비스에 사진을 올리면 수십 초 만에 3D 모델이 나온다. 마이크로소프트가 공개한 TRELLIS로 개인 노트북에서도 같은 일을 할 수 있는지 해 봤다. 공식 요구 사양은 GPU 메모리 16 GB지만, 단계마다 필요한 모델만 GPU에 올리니 8 GB 노트북(RTX 3070)에서 한 개에 12~22초에 끝났다. 정답이 있는 물체로 재 보면 공개 모형은 6 cm로 뽑을 때 평균 1 mm 안쪽으로 맞았다. 직접 만든 물체는 1.5~3 mm로 벌어졌고, 사진에 없던 손잡이는 만들지 않았다. 3D 프린터로 넘기려면 손볼 것이 더 있었다. 생성된 메시는 속이 빈 겉껍질이라 부피가 속을 채운 뒤의 4~56%밖에 안 됐다. 같은 노트북에서 Tripo가 공개한 TripoSR·TripoSG와도 견줘 봤다. TripoSG는 형상이 TRELLIS와 비슷하거나 나았고 속이 찬 채로 나왔지만, 색이 없고 세 배 넘게 느렸다. 3차원 재구성 방법의 계보와 Tripo·TRELLIS의 원리도 함께 정리했다.

사진 한 장을 올리면 수십 초 뒤에 이리저리 돌려 볼 수 있는 3D 모델이 나온다. Tripo, Meshy, Rodin 같은 서비스가 하는 일이다. 무료 크레딧으로 한 달에 열 개 남짓 만들 수 있고, 월 20달러를 내면 200개쯤 만든다. 게임 소품, 피규어 시안, 쇼핑몰 상품 미리보기가 이렇게 만들어진다. 3D 프린터 회사 Bambu Lab의 모델 공유 사이트 MakerWorld에도 사진을 3D로 바꾸는 메뉴가 들어갔다.
그렇다면 공개된 모델로 집에서도 되는가. 마이크로소프트는 2024년 12월 TRELLIS라는 3D 생성 모델을 MIT 라이선스로 공개했다. 공식 요구 사양은 GPU 메모리 16 GB 이상이다. 내 노트북 GPU는 8 GB다. 돌아가는지, 얼마나 맞는지, 그리고 그걸로 3D 프린터에 넣을 파일까지 만들 수 있는지 해 봤다.
무엇을 하려 했나
- 3차원 재구성 방법이 어떻게 이어져 왔는지 정리하고, Tripo와 TRELLIS가 무엇을 하는지 원리를 본다.
- TRELLIS를 8 GB 노트북 GPU에서 돌린다.
- 정답 모형이 있는 물체로 얼마나 맞는지 잰다. 사진을 1장, 2장, 4장 줬을 때를 비교하고, Tripo가 공개한 모델 둘과도 견준다.
- 결과를 3D 프린터용 파일로 바꾸고, 어디가 문제인지 숫자로 본다.
- 단계별로 돌려 볼 수 있는 웹 화면으로 만든다.
원리와 서비스 조사는 AI 에이전트에게 맡겼다. 원문(논문, 공식 저장소, 가격 페이지)을 직접 열어 확인한 것과 2차 자료로만 본 것, 확인하지 못한 것을 나눠 적게 했다. 설치와 실험, 프린트 변환, 웹 화면도 AI 에이전트가 만들고 돌렸다.
3D를 얻는 다섯 갈래
물체를 3D로 옮기는 방법은 오래됐다. 크게 다섯 갈래로 나눌 수 있다.

1. 빛을 쏴서 잰다
물체에 빛을 쏘고 돌아온 것을 잰다. 1세대 키넥트(2010)는 점무늬를 쏘고 무늬가 휜 정도로 거리를 계산했다(구조광). 2011년 KinectFusion은 이 깊이 영상을 실시간으로 하나의 3D 표면에 이어 붙였다. 아이패드 프로(2020)의 LiDAR는 빛이 돌아오는 시간을 재서 5 m까지 거리를 얻는다. 산업용 3D 스캐너도 대부분 이 갈래다. 정확하지만 장비가 있어야 하고, 반짝이거나 투명한 물체는 어렵다.
2. 사진 여러 장을 푼다
같은 물체를 여러 각도에서 찍으면, 사진마다 같은 점을 찾아 카메라 위치와 점의 3D 위치를 함께 풀 수 있다. 사진측량(SfM·MVS)이라 부른다. 2006년 Photo Tourism이 인터넷 관광 사진으로 이걸 해 보였고, 지금은 COLMAP(2016) 같은 무료 도구로 누구나 한다.
2020년 NeRF는 장면을 「위치와 방향을 넣으면 색과 밀도를 내는 신경망」으로 표현하고, 그 신경망을 사진과 똑같이 보이도록 장면마다 학습시켰다. 2023년 3D Gaussian Splatting은 같은 일을 수백만 개의 반투명 타원체(가우시안)로 해서 실시간 렌더링을 가능하게 했다. 둘 다 사진이 수십~수백 장 필요하다. 대신 찍힌 것은 정확하다.
3. 2D 생성 모델을 빌린다
사진이 한 장뿐이면 뒷면을 알 수 없다. 2022년 DreamFusion은 이미지 생성 모델에게 채점을 맡겼다. 3D 모형을 아무 각도에서나 렌더링하고, 이미지 생성 모델이 「그럴듯하다」고 할 때까지 고친다(Score Distillation Sampling). 3D 학습 데이터가 없어도 되지만 한 개에 한 시간 넘게 걸렸다. 2023년에는 이미지 생성 모델을 고쳐 「이 물체를 옆에서 보면」 같은 다른 각도 그림을 직접 그리게 했다(Zero-1-to-3, MVDream, Zero123++). 그린 그림 여러 장을 2번 방법으로 푸는 식이다.
4. 한 번에 예측한다
2023년 말 LRM(Large Reconstruction Model)은 최적화를 아예 빼 버렸다. 약 100만 개의 3D 물체로 학습한 트랜스포머가 사진 한 장을 보고 3D 표현(트라이플레인 NeRF)을 한 번에 내놓는다. 5초 안쪽이다. 2024년 3월 Tripo를 만든 VAST와 Stability AI가 함께 낸 TripoSR이 이 구조를 다듬어 A100 GPU에서 0.5초 안에 메시를 뽑았다.
5. 3D를 직접 생성한다
지금 쓰이는 서비스들은 대부분 이 갈래다. 이미지 생성 모델이 그림을 「압축된 숫자 공간(잠재 공간)」에서 만들어 내듯, 3D 물체를 압축하는 공간을 따로 배우고 그 안에서 생성한다. 2023년 3DShape2VecSet이 형상을 숫자 벡터 묶음으로 압축하는 방법을 내놨고, CLAY(Rodin의 기반, 2024), Hunyuan3D 2.0(텐센트, 2025), TripoSG(2025), Step1X-3D(2025)가 그 위에 섰다. TRELLIS도 이 갈래인데, 압축하는 방식이 조금 다르다.
1·2번은 있는 것을 잰다. 3~5번은 안 보이는 쪽을 지어낸다. 이 차이가 이 글 뒤쪽의 실험 결과를 거의 다 설명한다.
Tripo는 어떻게 만드나
Tripo의 상용 모델(현재 개발자 페이지 표기는 H3.1, P2.0)은 구조를 공개하지 않았다. 대신 같은 회사가 공개한 모델이 셋 있다. 모두 MIT 라이선스다.
- TripoSR(2024): 4번 갈래. 사진 한 장을 트랜스포머가 읽고 트라이플레인(가로·세로·깊이 방향 세 장의 특징 지도)을 한 번에 예측한다. 그 위에서 메시를 뽑는다. GPU 메모리 약 6 GB.
- TripoSG(2025): 5번 갈래. 형상을 「표면까지의 거리(SDF)」로 표현하는 압축기(VAE)를 먼저 배우고, 그 압축 공간에서 15억 파라미터짜리 rectified flow 모델이 사진을 조건으로 형상을 생성한다. 이미지와 SDF 쌍 200만 개로 학습했다. GPU 메모리 8 GB 이상.
- TripoSF(2025): 희소 복셀에 FlexiCubes라는 표면 추출법을 붙여 1024³ 해상도까지 표현하는 압축기. 공개된 것은 압축기와 추론 코드다.
서비스 가격은 이렇다(2026-11-02 공식 페이지, 연 결제 기준).
| 서비스 | 무료 | 유료 | 무료로 만든 것의 권리 |
|---|---|---|---|
| Tripo | 월 200크레딧(약 13개) | Pro 월 20달러(약 200개), Max 월 90달러(약 1,660개) | 공개 모델, 비상업 |
| Meshy | 월 100크레딧 | Pro 월 28,869원부터 | CC BY 4.0(출처를 밝히면 상업 이용 가능) |
| Rodin | 비공개 자산 10개 | Creator 월 30달러(약 60개) | 무료 플랜 상업 조건은 확인 못 함 |
텐센트 Hunyuan3D는 가중치를 공개했지만 한국 사용자에게는 쓸 수 없는 조건이다. 2.0·2.1 커뮤니티 라이선스는 적용 지역을 「유럽연합, 영국, 한국을 제외한 전 세계」로 정했다. 한국에서 내려받아 쓰면 라이선스 밖이다.
TRELLIS는 어떻게 만드나
TRELLIS의 핵심은 「구조화 잠재(Structured Latent, SLat)」라는 3D 압축 방식이다.
- 물체를 64×64×64 칸 격자에 넣고, 표면이 지나는 칸만 켠다. 논문에 따르면 평균 2만 칸쯤 켜진다. 전체 26만 칸의 8% 정도다.
- 켜진 칸마다 숫자 8개를 붙인다. 이 8개가 그 칸의 모양과 색을 압축해 담는다.
- 학습할 때는 물체를 150개 방향에서 렌더링하고, 사진을 잘 읽는 이미지 모델(DINOv2)이 뽑은 특징을 칸마다 평균 내서 이 숫자를 만든다.
생성은 두 단계다. 먼저 「어느 칸을 켤지」(뼈대)를 만들고, 다음에 켜진 칸마다 숫자 8개를 채운다. 두 단계 모두 rectified flow라는 생성 방법을 쓰는 트랜스포머이고, 입력 사진은 DINOv2가 읽어 조건으로 넣는다. 다 채운 잠재는 디코더 셋 중 하나로 풀 수 있다. 칸마다 가우시안 32개로 풀면 3D Gaussian Splatting이 되고, 512³ 볼륨으로 풀면 NeRF 같은 radiance field가 되고, FlexiCubes로 풀면 256³ 해상도의 메시가 된다. 공식 GLB 파일은 가우시안의 색을 메시에 구워(bake) 만든다.
학습 데이터는 Objaverse-XL, ABO, 3D-FUTURE, HSSD에서 추린 약 50만 개다. 이미지 모델은 12억 파라미터다. 실제로 받아 세어 보니 뼈대 생성기 5억 5,600만, 잠재 생성기 6억 개, 뼈대 디코더 7,400만이었다. 여기에 사진을 읽는 DINOv2가 3억 개, 메시 디코더가 9,100만 개 더 붙는다.
2025년 12월에는 후속작 TRELLIS.2가 나왔다. 40억 파라미터, 최대 1536³ 해상도에 금속·거칠기 같은 PBR 재질까지 만든다. 열린 면과 내부 구조도 표현한다. 대신 GPU 메모리가 24 GB 이상 필요해서 이번 노트북에서는 시도하지 않았다.
8 GB 노트북에서 돌리기
노트북은 RTX 3070(8 GB), WSL 리눅스, 메모리 15 GB다. 공식 설치 스크립트는 conda와 C++ 컴파일러로 확장 모듈 몇 개를 빌드한다. 이 노트북에는 컴파일러가 없었다. 그래서 미리 빌드된 패키지로 되는 것만 깔았다. 희소 합성곱(spconv), 어텐션(xformers), FlexiCubes가 쓰는 kaolin이다.
빠진 것은 둘이다. 가우시안을 화면에 그리는 래스터라이저와, 메시에 텍스처를 굽는 nvdiffrast다. 둘 다 결과를 「보여 주는」 데 쓰이고 생성 자체에는 필요 없다. 메시 색은 가장 가까운 가우시안 8개의 색을 정점에 옮겨 칠했다. 덤으로 라이선스 문제도 피했다. nvdiffrast는 NVIDIA의 비상업 라이선스이고, 가우시안 래스터라이저도 연구용 라이선스다. TRELLIS 자체는 MIT지만, 공식 설치대로 GLB를 구우면 상업 서비스에는 그대로 못 쓰는 부품이 들어간다.
처음에는 모델을 전부 GPU에 올렸다.

- 모델 전부 GPU에: 한 개에 35초. 메시를 푸는 단계에서 GPU 메모리가 10.4 GB까지 올라갔다. 8 GB를 넘은 만큼은 윈도우 드라이버가 시스템 메모리를 빌려 메웠고, 그 단계만 24.7초가 걸렸다.
- 단계마다 필요한 것만 GPU에: 사진 읽기 → 뼈대 → 잠재 → 디코더 순서로 쓸 모델만 올리고 나머지는 시스템 메모리로 내렸다. 최대 6.6 GB, 한 개에 12초였다.
여섯 가지 예제를 돌린 시간은 13.6~21.7초다. 켜진 칸이 많을수록 메시가 커져 오래 걸렸다. 켜진 칸이 3만 개를 넘은 머그는 최대 8.0 GB로 한계에 닿았다. 노트북 전기료로 치면 한 개에 1원도 안 든다.
얼마나 맞나: 정답이 있는 물체로
생성 결과는 눈으로 보면 대개 그럴듯하다. 그래서 정답 모형이 있는 물체로 쟀다.
- 공개 모형 셋: 키넌 크레인(Keenan Crane)이 퍼블릭 도메인으로 공개한 젖소 Spot, 오리 Bob, 물고기 Blub. 그래픽스 논문에 자주 나오는 유명한 모형이라 TRELLIS의 학습 데이터에 들어 있었을 수 있다.
- 직접 만든 물체 둘: 학습 데이터에 있을 수 없도록 도형을 조합해 만들었다. 머그는 손잡이가 정면에서 안 보이게 뒤에 숨겼다. 작은 집은 앞에 문만 두고, 둥근 창과 계단은 뒤에만 붙였다.
정답 모형을 렌더링해 사진처럼 만들고(768픽셀, 15° 위에서), 사진 1장(앞 비스듬히), 2장(앞뒤), 4장(사방)을 넣었다. TRELLIS는 여러 장을 받을 때 생성 단계마다 사진을 돌아가며 조건으로 쓴다. 시드는 셋씩, 모두 45번 생성했다. 결과는 크기를 맞추고 회전해 정답에 겹친 뒤, 두 표면이 서로 얼마나 떨어져 있는지(대칭 chamfer 거리)로 쟀다. 숫자는 가장 긴 변을 6 cm로 뽑는다고 할 때의 mm다.

| 물체 | 사진 1장 | 2장 | 4장 |
|---|---|---|---|
| 젖소 Spot | 0.79 mm | 0.75 | 0.68 |
| 오리 Bob | 0.89 | 0.83 | 0.79 |
| 물고기 Blub | 0.84 | 0.78 | 0.72 |
| 머그(직접 만듦) | 1.52 | 1.22 | 1.17 |
| 작은 집(직접 만듦) | 2.98 | 2.27 | 2.45 |
- 공개 모형은 사진 한 장으로도 1 mm 안쪽이었다. 6 cm 피규어에서 1 mm면 눈으로는 거의 구별이 안 된다. 사진에 안 보인 쪽의 오차도 보인 쪽과 비슷했다. 좌우 대칭이라 안 보인 쪽을 거울로 비춰 채우면 대개 맞고, 이미 학습에서 본 모양일 수도 있다.
- 직접 만든 물체는 1.5~3 mm로 벌어졌다. 작은 집은 사진에 안 보인 쪽이 3.9 mm로 보인 쪽(2.1 mm)의 두 배 가까이 틀렸다.
- 사진을 늘리면 대체로 나아졌지만 꼭 그렇지는 않았다. 작은 집은 4장(2.45 mm)이 2장(2.27 mm)보다 나빴다. 여러 장을 돌아가며 조건으로 쓰는 방식이라, 사진끼리 정보가 섞인다.
어디가 틀렸는지는 그림으로 보는 편이 빠르다.

- 사진에 없는 손잡이는 만들지 않았다. 정면 사진 한 장으로는 손잡이가 있는지 알 수 없다. TRELLIS는 시드 셋 모두 손잡이 없는 원통을 만들었다. 손잡이가 정면으로 찍힌 뒷사진을 더한 2장은 셋 중 둘에 손잡이가 생겼고, 옆모습이 들어간 4장은 셋 다 생겼다.
- 집 뒷벽에는 앞문을 복사했다. 둥근 창과 계단 대신 앞과 똑같은 문을 달았다. 다른 시드에서는 네 벽 모두에 문을 달았다. 안 보이는 쪽을 「본 쪽을 닮게」 채운다.
- 사진 4장을 줘도 다 맞지는 않았다. 그림의 4장 결과(시드 1)는 뒷벽의 창이 검은 얼룩이 됐고, 옆벽에 없던 문이 생겼다. 계단은 어느 결과에도 없었다.
- 정면에서는 깊이를 모른다. 사진 1장으로 만든 집 가운데 하나는 정답보다 앞뒤로 깊고 폭이 좁았다. 그래서 정답에 겹칠 때 지붕 방향을 맞게 놓든 90° 돌려 놓든 오차가 거의 같았다. 위 그림에는 지붕 방향이 바르게 맞는 시드 3을 썼다.
Tripo 공개 모델과 나란히
Tripo의 상용 모델은 시험하지 못했지만, 같은 회사가 공개한 TripoSR(2024)과 TripoSG(2025)는 같은 노트북에서 돌릴 수 있다. 정확도 실험과 똑같은 입력 그림(사진 1장)을 넣고 같은 방식으로 쟀다. TRELLIS와 TripoSG는 시드 셋, TripoSR은 같은 입력이면 늘 같은 결과가 나와 한 번씩이다.

| 물체 | TRELLIS | TripoSR | TripoSG |
|---|---|---|---|
| 젖소 Spot | 0.79 mm | 1.14 | 0.80 |
| 오리 Bob | 0.89 | 1.97 | 0.56 |
| 물고기 Blub | 0.84 | 1.58 | 0.88 |
| 머그(직접 만듦) | 1.52 | 2.35 | 1.30 |
| 작은 집(직접 만듦) | 2.98 | 1.02 | 2.55 |
| 한 개 생성 시간 | 12~22초 | 4~5초 | 47~62초 |
| 최대 GPU 메모리 | 6~8 GB | 2.5 GB | 5.4 GB |
- 형상만 보면 TripoSG가 TRELLIS와 비슷하거나 나았다. 오리 0.56 mm, 머그 1.30 mm다. 대신 색을 만들지 않고, 한 개에 1분 가까이 걸렸다(공식 설정 50스텝).
- TripoSR은 빠르지만 뒷면이 뭉개진다. 5초, 2.5 GB면 된다. 공개 모형에서는 1.1~2.0 mm로 가장 나빴다. 아래 그림의 오리처럼 안 보이는 쪽이 녹아내린 듯 흐려진다. 한 번에 예측하는 방식(4번 갈래)의 한계다.
- 작은 집만은 TripoSR이 1.02 mm로 가장 잘 맞았다. TripoSR은 사진을 찍은 카메라를 기준으로 모양을 복원한다. 입력 사진의 15° 기울기까지 결과에 그대로 남아 있었다. 사진에 보이는 비율을 곧이곧대로 옮기니 집의 깊이가 맞았다. TRELLIS와 TripoSG는 집을 정답보다 깊게, 혹은 얕고 높게 지었다. 생성 모델은 「이런 집은 보통 이렇다」로 채운다.
- 셋 다 손잡이는 만들지 않았다. 집 뒷벽에는 TRELLIS와 TripoSR이 앞문을 복사했다. TripoSG는 색이 없어 문을 달았는지조차 알 수 없다.

3D 프린터로 뽑으려면
생성된 메시를 바로 슬라이서에 넣으면 어떻게 될까. 3D 프린터용 파일이 되려면 몇 가지 조건이 있다. 표면이 빈틈없이 닫혀 있어야 하고(watertight), 떨어진 부스러기가 없어야 하고, 벽이 노즐로 뽑을 수 있을 만큼 두꺼워야 한다. 흔한 0.4 mm 노즐이면 최소 0.8 mm, 넉넉하게는 1.2 mm가 기준이다. 그리고 바닥이 평평해야 출력 판에 붙는다.
예제 여섯 개를 이 기준으로 검사했다. 실사진 둘(퍼블릭 도메인 정원 난쟁이 인형, CC BY 장난감 자동차), TRELLIS 저장소의 예제 그림 하나(드워프), 그리고 정답 실험의 머그·작은 집·젖소다.
첫째, 부스러기. 생성 직후 메시는 2~9조각이었다. 큰 덩어리 하나에 수염 끝, 손가락 사이 같은 데서 떨어져 나온 작은 조각들이다. 전체 면의 0.5%가 안 되는 조각은 지웠다.
둘째, 속이 비어 있었다. 이게 가장 컸다.

TRELLIS의 메시 디코더는 렌더링한 모습이 맞도록 배운다. 겉에서 보이는 표면만 맞으면 되고, 속은 아무도 보지 않는다. 그래서 작은 집은 벽이 종이처럼 판 한 장이고 바닥이 뚫려 있었다. 정원 난쟁이는 벤치에 닿는 아랫면이 뚫린 껍질이었다. 젖소는 바깥 껍질 안에 뒤집힌 안쪽 껍질이 따로 있는, 속 빈 풍선이었다.

| 예제 | 크기(mm) | 생성 직후 부피 → 속을 채운 뒤 | 0.8 mm보다 얇은 곳 | 45° 넘는 오버행 |
|---|---|---|---|---|
| 정원 난쟁이(실사진) | 67×39×59 | 2.2 → 21.8 cm³ | 87% → 2.9% | 19.7% |
| 장난감 차(실사진) | 89×51×39 | 13.2 → 82.1 cm³ | 22% → 0% | 22.3% |
| 드워프(예제 그림) | 51×30×59 | 8.8 → 25.2 cm³ | 8% → 0.5% | 8.5% |
| 머그 | 53×53×59 | 18.1 → 32.5 cm³ | 0% → 0% | 0% |
| 작은 집 | 47×40×49 | 2.3 → 53.7 cm³ | 96% → 1.9% | 3.1% |
| 젖소 | 26×50×49 | 3.9 → 19.0 cm³ | 29% → 0% | 10.4% |
생성 직후 부피는 속을 채운 뒤의 4~56%였다. Tripo의 공개 모델 둘은 달랐다. 정답 실험의 다섯 물체에서 TripoSR은 97~99%, TripoSG는 94~98%로 처음부터 속이 차 있었다. 둘 다 공간 전체에 「안인지 밖인지」를 나타내는 값(TripoSR은 밀도, TripoSG는 표면까지의 거리)을 계산한 뒤 경계면을 뽑는다. TRELLIS는 같은 다섯 물체에서 5~56%였다. 대신 TripoSG는 떨어져 나온 부스러기가 많았다(머그 94조각). 작은 집과 정원 난쟁이의 껍질 두께는 가운데값이 0.2~0.3 mm였다. 이대로 슬라이서에 넣으면 노즐보다 얇은 벽은 아예 빠지거나, 겹친 두 껍질 사이를 엉뚱하게 채운다. 속을 채우는 방법은 이렇게 했다.
- 메시 표면을 0.2 mm 칸 격자에 찍는다.
- 칸마다 위·앞·뒤·왼쪽·오른쪽 다섯 방향으로 직선을 그어, 다섯 방향 모두 껍질에 막히면 「속」으로 본다. 아래쪽은 뚫려 있어도 속으로 친다. 사진에 안 찍힌 아랫면을 모델이 비워 두는 일이 많아서다. 대신 머그 속처럼 위가 열린 곳은 비워 둔다.
- 채운 칸을 다시 메시로 바꾸고(마칭 큐브), 면 수를 12만 개로 줄인다.
셋째, 얇은 곳. 속을 채운 뒤에도 남는 얇은 곳은 진짜로 가는 부분이다. 정원 난쟁이의 파이프와 수염 끝(2.9%)이 그랬다. 이런 데는 크기를 키우거나 두께를 더해야 한다.
넷째, 밑면과 오버행. 밑을 높이의 1.5%만큼 평평하게 잘라 판에 붙였다. 누워 있는 정원 난쟁이는 판에 닿는 면적이 64 mm²밖에 안 되고, 아래를 45° 넘게 향하는 면이 20%였다. 서포트 없이는 못 뽑는다. 장난감 차도 바퀴 아래가 22%였다.
다섯째, 색은 사라진다. 생성 결과의 색은 정점이나 텍스처에 칠한 것이다. 필라멘트 한 가지로 뽑는 FDM 프린터에서는 쓸 데가 없다. 여러 색으로 뽑으려면 색 영역을 나눠 필라멘트에 대응시키는 단계가 따로 필요하다.
이렇게 고친 STL은 여섯 개 모두 빈틈없이 닫힌 한 덩어리가 됐다. 15% 채움으로 뽑는다고 어림하면 PLA 10~35 g이다. 다만 이번에는 실제로 뽑지 않았다. 슬라이서에 넣어 시간을 재지도 않았다. 「프린터에 넣을 수 있는 파일」까지가 이 글의 범위다.
직접 보기
화면이 좁으면 새 창에서 열기가 편하다. 「뼈대」 단계는 TRELLIS가 처음에 켠 64³ 칸이다. 「프린트용」 단계의 빨강은 0.8 mm보다 얇은 곳, 주황은 1.2 mm보다 얇은 곳이다. 「정답 비교」는 정답이 있는 머그·작은 집·젖소에서만 열린다. 「정답에서 빠진 곳」을 누르면 정답 모형 위에 만든 메시가 놓친 자리를 칠한다. 머그는 손잡이와 입구 테두리가 빨갛고, 몸통은 1 mm 안팎으로 어긋났다. 작은 집(사진 1장 시드 3)은 뒤쪽 계단과 굴뚝이 빨갛다.


어디서 틀렸나
- 처음엔 8 GB를 넘었다. 모델을 전부 GPU에 올리니 메시를 풀 때 10.4 GB가 필요했다. 오류 없이 돌긴 했지만 넘친 만큼을 시스템 메모리에서 빌려 쓰느라 그 단계가 10배 느렸다. 단계마다 쓸 모델만 GPU에 올리도록 바꿨다.
- 공식 설치 스크립트가 돌지 않았다. 노트북에 C++ 컴파일러가 없어서다. 미리 빌드된 패키지만으로 생성은 되는 것을 확인하고, 텍스처 굽기 대신 정점에 색을 옮겨 칠하는 쪽을 택했다. 그래서 이 글의 메시 색은 공식 GLB보다 흐리다.
- 정답에 겹치는 각도가 90° 돌아갔다. 작은 집은 바닥이 정사각형에 가까워 모양만으로 정렬하면 지붕 방향이 직각으로 맞춰지는 경우가 있었다. 후보 각도를 고를 때 색까지 보도록 고쳤다. 그래도 앞뒤로 깊게 지어진 시드 1은 어느 쪽이든 오차가 같아 정렬이 갈리지 않았다.
- TripoSR 결과가 누워 있었다. TripoSR은 z축을 위로 두고 결과를 내놓는다. 축을 맞추지 않고 채점했더니 젖소 오차가 3.5 mm로 나왔다. 여섯 방향을 모두 시험해 맞는 축(1.1 mm)을 찾았다. TripoSG는 TRELLIS와 같은 y축이 위였다.
- 속 채우기가 두 번 새었다. 처음에는 바깥에서 물을 채우듯 채웠다. 바닥이 뚫린 껍질이라 물이 속으로 새어 들어가 아무것도 안 채워졌다. 출력 판 자리에 판을 깔아 막았더니, 정원 난쟁이는 뚫린 가장자리가 판보다 높아서 또 샜다. 다섯 방향 직선 검사로 바꿨다. 이번에는 머그 속까지 채워져 버려서, 위로 열린 곳은 비우도록 규칙을 한 번 더 고쳤다.
- 머그에 바닥이 없다고 착각했다. 생성된 머그를 위에서 렌더링하니 안쪽에 흰 원이 보였다. 바닥이 뚫려 배경이 보이는 줄 알았다. 정점 위치를 세어 보니 여섯 개 모두 바닥이 있었다. 흰 원은 흰 바닥면이었다.
- 웹 화면의 오차 평균이 실험과 달랐다. 머그의 「정답 면에서 만든 면까지 평균」이 5.2 mm로 나왔다. 정점마다 거리를 재서 평균을 냈는데, 정답 모형의 정점이 손잡이에 몰려 있어 손잡이 쪽으로 치우친 것이다. 실험처럼 표면에서 고르게 뽑은 점으로 바꾸니 1.9 mm가 됐다.
왜 딸깍이 되는가
생성 자체는 정말 딸깍이다. 사진을 넣으면 노트북에서 15초 안팎에 메시가 나온다. 무료 크레딧을 아낄 필요도, 사진을 남의 서버에 올릴 필요도 없다. 50만 개 물체로 배운 모델이 「이런 사진은 이런 모양」이라는 감을 이미 갖고 있어서다.
딸깍이 안 되는 자리는 두 군데다. 하나는 사진에 없는 쪽이다. 모델은 안 보이는 쪽을 가장 흔하고 그럴듯한 모양으로 채운다. 대칭인 물체나 흔한 물체에서는 거의 맞고, 손잡이나 뒷문처럼 그 물체만의 사정이 있으면 틀린다. 틀려도 틀린 티가 나지 않는다는 점이 더 문제다. 다른 하나는 보이지 않는 속이다. 화면에서 그럴듯하면 되도록 배운 모델이라, 손에 쥐는 물건으로 만들려면 속을 채우고 두께를 확인하는 일을 사람이 정해 줘야 한다.
따라 하려면
- GPU가 8 GB면 단계마다 모델을 올렸다 내려라. 12 GB 이상이면 그대로 돌아갈 가능성이 크다. 메시를 푸는 단계가 가장 많이 먹는다.
- 사진은 배경이 단순하고 물체가 화면 가운데 크게. 실사진은 배경 지우기(rembg)부터 거친다. 배경이 지저분하면 거기서 먼저 틀린다.
- 뒷면이 중요하면 옆모습을 찍어라. 머그 손잡이는 앞뒤 2장에서 셋 중 둘, 옆이 들어간 4장에서 셋 다 살아났다. 사진을 많이 줄 수 있다면 2번 갈래(사진측량, 3D Gaussian Splatting)가 더 정확하다.
- 프린트가 목적이면 TripoSG도 후보다. 속이 찬 덩어리로 나와 채우기가 거의 필요 없다. 색은 없고, 부스러기는 지워야 한다.
- 프린트 전에 속을 채워라. 생성 메시의 부피는 채운 뒤의 4~56%였다. 다음으로 0.8 mm 두께 검사, 밑면 평평하게 자르기, 오버행 확인 순서로 본다.
- 라이선스를 확인하라. TRELLIS 모델과 코드는 MIT다. 공식 GLB를 굽는 nvdiffrast는 비상업 라이선스다. 메시 수리에 흔히 쓰는 pymeshfix는 AGPL이다. Hunyuan3D 오픈 가중치는 한국이 적용 지역에서 빠져 있다. Tripo 무료 플랜으로 만든 것은 비상업 조건이다.
못 하는 것
- 공식 GLB를 만들지 않았다. 텍스처 굽기를 빼고 정점 색만 썼다. 게임 에셋으로 쓸 품질의 텍스처는 이 글의 방법으로는 안 나온다.
- 상용 서비스와는 견주지 않았다. Tripo의 공개 모델(TripoSR·TripoSG)만 돌렸다. 상용 Tripo(H3.1)와 Meshy 등은 계정과 업로드가 필요해 시험하지 않았다. 상용 서비스와 「비슷한 품질」인지는 이 글의 숫자로 말할 수 없다.
- 정답이 있는 물체가 다섯 개뿐이다. 그중 셋은 학습 데이터에 있었을 수 있다. 실제 사진의 정확도는 정답이 없어 재지 못했다.
- 입력이 렌더링 그림이다. 정답 실험의 사진은 조명과 배경이 깔끔한 렌더링이다. 실제로 찍은 사진은 이보다 어렵다.
- 실제로 뽑지 않았다. 슬라이서 시간, 서포트 양, 출력 성공률은 재지 않았다. 두께와 오버행 검사는 어림이다.
- TRELLIS.2는 돌리지 않았다. 24 GB GPU가 필요하다.
그래도 사진 한 장에서 3D 모델이 나오는 일은 이제 노트북 한 대로 된다. 15초면 나오고, 공개 모형 수준의 물체라면 1 mm 안쪽으로 맞는다. 다만 그 모델은 겉만 있는 모형이고, 뒷면은 상상으로 채운 것이다. 3D 프린터로 뽑을 물건이라면 생성은 출발점일 뿐이고, 속을 채우고 두께를 재는 일이 남는다. 꼭 맞아야 하는 쪽은 사진을 한 장 더 찍는 것이 가장 싸다.
재미있게 읽었다면 꼭 의견을 달아달라.
출처
- TRELLIS: Xiang 외, 「Structured 3D Latents for Scalable and Versatile 3D Generation」 arXiv 2412.01506 (CVPR 2025), GitHub microsoft/TRELLIS, 프로젝트 페이지
- TRELLIS.2: Xiang 외, 「Native and Compact Structured Latents for 3D Generation」 arXiv 2512.14692, GitHub microsoft/TRELLIS.2
- Tripo 공개 모델: TripoSR (arXiv 2403.02151), TripoSG (arXiv 2502.06608), TripoSF (arXiv 2503.21732), Tripo 개발자 페이지
- 가격: Tripo, Meshy, Rodin (모두 2026-11-02 확인)
- Hunyuan3D 라이선스: Hunyuan3D-2.1 LICENSE, Hunyuan3D-2 LICENSE
- 계보: KinectFusion Newcombe 외 2011, iPad Pro LiDAR 발표, COLMAP, NeRF arXiv 2003.08934, 3D Gaussian Splatting arXiv 2308.04079, DreamFusion arXiv 2209.14988, Zero-1-to-3 arXiv 2303.11328, MVDream arXiv 2308.16512, Zero123++ arXiv 2310.15110, LRM arXiv 2311.04400, InstantMesh arXiv 2404.07191, 3DShape2VecSet arXiv 2301.11445, CLAY arXiv 2406.13897, Hunyuan3D 2.0 arXiv 2501.12202, Step1X-3D arXiv 2505.07747
- 라이선스: nvdiffrast, diff-gaussian-rasterization, pymeshfix
- 3D 프린팅: 최소 벽 두께 Formlabs, MakerLab Image to 3D Bambu Lab 포럼·3D Printing Industry
- 정답 모형: Keenan Crane, 3D Model Repository (Spot·Bob·Blub, 퍼블릭 도메인)
- 설치, 실험, 프린트 변환, 웹 화면, 그래프는 모두 이 글의 실험으로 만들었다
이미지 출처
- 정원 난쟁이 사진: German garden gnome.jpg, Colibri1968, 퍼블릭 도메인 (위키미디어 공용)
- 장난감 자동차 사진: CreativeTools.se - PackshotCreator - Toy car, Creative Tools, CC BY 2.0 (위키미디어 공용)
- 드워프 그림: TRELLIS 저장소 예제 (MIT)
- 그 밖의 그림과 화면은 모두 이 글의 실험으로 만들었다