GNM: Generative aNthropometric Model and Ecosystem

3줄 요약

1. 구글이 3D 통계 인체 모델 생태계 GNM(Generative aNthropometric Model)을 오픈소스로 공개했다. 이름은 인간 게놈(genome)에서 따와 똑같이 “지놈"으로 읽는다.
2. 첫 릴리스는 얼굴과 머리를 다루는 GNM Head다. 대규모 3D 스캔 데이터로 학습한 고정밀 파라메트릭 모델로, 정체성·표정·머리 포즈를 분리해 제어하고 눈알·치아·혀 같은 내부 구조까지 조절한다.
3. NumPy·JAX·PyTorch·TensorFlow 네 가지 백엔드를 모두 지원하고, “행복"이나 “아시아 여성” 같은 의미 라벨에서 파라미터를 뽑아내는 시맨틱 샘플러를 포함한다. 라이선스는 상업·비상업 모두 허용하는 Apache 2.0이다.

GNM이 무엇인가

3D 모피어블 모델(3D Morphable Model, 3DMM)은 사람의 형상과 외형을 컴퓨터가 다룰 수 있는 숫자 파라미터로 표현하는 기법이다. 컴퓨터 비전, 그래픽스, 생성 AI 전반에서 널리 쓰인다. GNM은 이 계열에서 “가장 정확하고 완전한 3D 파라메트릭 인체 모델"을 목표로 내세운 구글의 새 모델군이다.

구글의 로드맵은 통계 모델 묶음과 그것을 활용하는 인식·분석(perception) 기술 스택을 함께 공개하는 것이다. 커뮤니티 연구를 앞당기려고 그 첫 조각으로 얼굴·머리 모델인 GNM Head를 먼저 열었다.

리포지터리 기준으로 별 145개, 포크 9개, 커밋 49개이며 언어 구성은 파이썬 93.9%, 주피터 노트북 6.1%다. 정식 릴리스와 인용 정보(citation)는 아직 “coming soon” 상태다.

GNM Head — 무엇을 할 수 있나

GNM Head는 3D 스캔 데이터로 학습한 얼굴·머리 통계 모델이다. 핵심 기능은 다음과 같다.

• 조밀한 3D 얼굴 지오메트리: 피부, 눈, 치아, 혀로 구성된 밀도 높은 3D 페이스 메시를 생성한다.
• 분리된 제어(Disentangled Control): 서로 독립적인 파라미터로 나뉜다.
  • 정체성(Identity): 개인의 고유한 얼굴 특징.
  • 표정(Expression): 풍부한 표정 블렌드셰이프로 얼굴을 움직인다.
  • 머리 포즈(Head Pose): 목과 눈알의 회전.
  • 이동(Translation): 전역 위치.
• 시맨틱 파라미터 샘플링: 의미 라벨에서 정체성·표정 파라미터를 뽑는 사전 학습 모델을 포함한다.
• 멀티 프레임워크: NumPy·JAX·PyTorch·TensorFlow 네이티브 지원.

파라미터 구조

GNM v3.x 기준으로 얼굴은 크게 두 계수 묶음으로 조종된다. 정체성과 표정이다. 흥미로운 점은 각 계수가 해부학적 부위별로 얼마나 잘게 쪼개져 있는가다.

정체성 파라미터 — 253개

형태(shape)는 [batch_size, 253]이고 각 성분의 통상 범위는 -3에서 +3이다.

표정 파라미터 — 383개

형태는 [batch_size, 383], 범위는 역시 -3에서 +3이다. 눈 하나에 표정 성분이 100개씩 배정돼 있다는 대목이 눈에 띈다. 시선과 눈꺼풀의 미세한 움직임을 그만큼 세밀하게 다루려는 설계다.

관절 파라미터

머리 포즈와 눈알 방향은 회전 행렬([batch_size, 4×3])로, 전역 위치는 이동 벡터([batch_size, 3])로 조종한다.

시맨틱 샘플러 — 라벨에서 얼굴을 뽑는다

파라미터가 253차원, 383차원이라는 말은 사람이 직접 숫자를 조절해 원하는 얼굴을 만들기가 사실상 불가능하다는 뜻이다. GNM은 이 간극을 두 개의 사전 학습 샘플러로 메운다.

ExpressionSampler는 “happy”, “surprise” 같은 표정 라벨을 받아 표정 파라미터를 생성하고 블렌딩까지 한다.

expr_sampler = semantic_sampler.ExpressionSampler()
happy_expression = expr_sampler.sample_expression(
    semantic_sampler.Expression.HAPPY, num_samples=1
)[0]

IdentitySampler는 성별·인종 같은 속성에서 정체성 파라미터를 생성한다.

id_sampler = semantic_sampler.IdentitySampler()
identity_sample = id_sampler.sample_identity(
    semantic_sampler.Gender.FEMALE,
    semantic_sampler.Ethnicity.ASIAN,
    num_samples=1
)[0]

설치와 사용

파이썬 3.13에서 테스트됐고, 필요한 백엔드만 골라 설치할 수 있다.

git clone https://github.com/google/gnm.git
cd gnm/gnm/shape
pip install -e .              # 코어(NumPy + TensorFlow)
pip install -e ".[jax]"       # JAX 추가
pip install -e ".[pytorch]"   # PyTorch 추가
pip install -e ".[all,dev]"   # 전체 + 개발 도구

모델 데이터(gnm.npz)는 리포에 함께 들어 있어 별도 다운로드가 필요 없다. 템플릿(평균) 얼굴을 불러와 메시로 저장하는 것이 시작점이다.

from gnm.shape import gnm_numpy

gnm = gnm_numpy.GNM.from_local(
    version=gnm_numpy.GNMMajorVersion.V3,
    variant=gnm_numpy.GNMVariant.HEAD,
)
template_vertices = gnm.template_vertex_positions
faces = gnm.triangles

모델의 한계 — 구글이 직접 밝힌 대목

리포의 README는 “인간 표현에서의 모델 한계"라는 별도 섹션을 두고 다음을 분명히 밝힌다. 이 모델은 3DMM 문헌의 관행과 데이터 가용성 때문에 이분법적 성별 범주와 네 개의 넓은 인구통계 그룹으로 학습됐다. 개발진은 이 범주가 인간 성 정체성의 스펙트럼이나 전 지구적 인구 다양성을 온전히 대표하지 못한다고 명시하고, 사용자에게 공정성과 대표성 측면의 함의를 고려하라고 요청한다. 더 자세한 논의와 데이터셋 통계는 기술 보고서에서 다룬다고 덧붙였다.

가장 흥미로운 지점

내가 가장 눈여겨본 것은 이름이다. GNM을 “게놈"으로 읽게 한 선택은 단순한 말장난이 아니라 야심의 표현으로 읽힌다. 게놈이 생물의 설계도를 유한한 염기 서열로 압축하듯, 이 모델은 인간의 얼굴을 253 + 383개의 계수로 압축하겠다는 선언이다. 그리고 그 계수를 부위별로 — 머리 170, 치아 80, 혀 32 — 해부학적으로 쪼개 둔 방식은, 얼굴을 하나의 뭉뚱그려진 형상이 아니라 조립 가능한 부품의 집합으로 본다는 관점을 드러낸다.

또 하나는 구글이 모델만이 아니라 “생태계(ecosystem)“라는 단어를 앞세운 점이다. GNM Head는 로드맵의 첫 조각일 뿐이고, 뒤에 통계 모델 묶음과 인식 스택이 이어진다고 했다. 얼굴 하나로 끝낼 그림이 아니라는 뜻이다.

출처

Google, GNM: Generative aNthropometric Model and Ecosystem (Apache License 2.0, 정식 인용 정보 coming soon). 원문: https://github.com/google/GNM

이미지는 모두 원문 리포지터리의 README 에셋(로고·티저·데모 GIF)에서 가져왔으며 저작권은 구글에 있다.