텍스트 기반 이미지 생성 모델이 공간 좌표를 정밀하게 다루지 못하는 근본적 한계를 단일 특수 토큰 하나로 극복하는 기법이 arXiv에 공개됐다. ‘MetaPoint’로 명명된 이 방법은 2D 연속 좌표값을 모델의 위치 인코딩 체계를 그대로 활용해 하나의 가상 캔버스 포인트로 해석하도록 설계됐다. 객체 위치를 토큰 하나로, 바운딩 박스(bounding box, 객체 경계 영역)는 토큰 두 개로 지정할 수 있어 사용 방식이 단순하다.
MetaPoint의 핵심 장점은 모델 아키텍처나 어텐션 마스킹을 전혀 바꾸지 않아도 된다는 점이다. 기존 공간 제어 방식은 별도의 구조적 변경이나 추가 모듈을 요구했지만, MetaPoint는 모델이 이미 학습한 위치 인코딩을 재해석하는 방식으로 작동한다. 이 토큰들은 조합 가능한 공간 기본 단위(spatial primitive)로 설계되어, 플래너 에이전트가 복잡한 사용자 요청을 구조화된 기본 명령 시퀀스로 분해한 뒤 생성기에 전달하는 에이전틱 워크플로우에도 적합하다.
연구진은 MetaPoint가 보다 강력한 구성적 생성 에이전트(compositional generative agent)와 직관적인 상호작용 편집 시스템을 가능하게 한다고 밝혔다. 생성 모델이 텍스트로 공간을 묘사하는 것은 가능하지만 수치 좌표를 2D 캔버스에 직접 대응시키는 능력은 사전학습 과정에서 체계적으로 학습되지 않아 왔다. MetaPoint는 이 간극을 경량화된 방식으로 메우는 접근법으로, 정밀한 위치 제어가 필요한 편집 및 에이전트 기반 이미지 생성 연구에서 확장 가능한 기반 기술로 주목된다.
이 같은 접근이 의미를 갖는 이유는 생성형 이미지 도구가 산업 현장에 확산되면서 ‘원하는 위치에 원하는 물체를 정확히 배치’하는 정밀 제어 수요가 빠르게 커지고 있기 때문이다. 광고·디자인·게임 그래픽 제작이나 사용자가 직접 구도를 다듬는 인터랙티브 편집 환경에서는 텍스트 묘사만으로는 의도를 구현하기 어렵고, 좌표 단위의 통제가 필요한 경우가 많다. 기존에는 이를 위해 별도 제어 모듈을 덧붙이거나 모델 구조를 손봐야 해 적용 비용이 컸지만, MetaPoint는 이미 학습된 위치 인코딩을 재활용하는 만큼 도입 부담이 작다는 점이 강점으로 꼽힌다. 토큰 단위로 명령을 조합할 수 있어 복잡한 요청을 단계별로 분해해 처리하는 에이전트형 생성 워크플로우와도 결합하기 쉽다는 점에서, 향후 정밀 제어형 이미지 생성 도구의 기반 기술로 활용될 여지가 있다.
