---
title: "SAM 3D Objects: 이미지에서 3D로 변환하는 기술 및 벤치마크 — Segmentit"
description: "SAM 3D Objects 및 Body, 단일 이미지 3D 재구성, TRELLIS 및 Hunyuan3D와의 SA-3DAO 벤치마크를 알아보세요. Segmentit의 작업 과정을 살펴보세요."
lang: "ko"
canonical: "https://segmentit.com/ko/sam-3d/"
---

# SAM 3D. 사진에 입체감을 더하세요.

Meta의 단일 이미지 재구성 모델과 오브젝트 생성 방식을 알아보고 TRELLIS, Hunyuan3D 등 이미지 기반 3D 방식과의 공개 비교 결과를 살펴보세요.

[스튜디오 사용해 보기](https://segmentit.com/app?lang=ko) [벤치마크 살펴보기](https://segmentit.com/ko/sam-3d/#benchmarks)

[![Segmentit 스튜디오의 오브젝트 작업 과정](https://segmentit.com/images/blog/studio-monument.png)](https://segmentit.com/app?lang=ko) [스튜디오 열기](https://segmentit.com/app?lang=ko)

Segmentit이 독립적으로 작성한 가이드예요. SAM 3와 SAM 3D는 Meta가 개발하며 Segmentit은 Meta와 제휴 관계가 없어요.

## SAM 3D란 무엇인가요?

SAM3D로도 검색되는 SAM 3D는 이미지에서 3D를 재구성하는 Meta 모델 제품군이에요. SAM 3D Objects는 오브젝트의 지오메트리, 텍스처, 배치를 추정해요. SAM 3D Body는 인체 형태와 자세를 다루는 별도 모델이에요. Segmentit의 오브젝트 작업 과정은 Objects에 중점을 둬요.

[Meta · SAM 3D ↗](https://ai.meta.com/research/sam3d/)

### SAM 3

이미지 → 2D 마스크

### SAM 3D Objects

이미지 + 마스크 → 3D 오브젝트

정확한 선택과 입체 재구성은 서로 다른 요구를 해결해요. 형태, 텍스처, 장면 구성에 앞서 올바른 대상을 선택해야 해요. [살펴보기 SAM 3](https://segmentit.com/ko/sam-3/).

### 비교한 모델

-   [TRELLISMicrosoft · Tsinghua · USTC](https://microsoft.github.io/TRELLIS/)
-   [Hunyuan3D-2.1Tencent](https://github.com/Tencent/Hunyuan3D-2)
-   [Hunyuan3D-2.0Tencent](https://github.com/Tencent/Hunyuan3D-2)
-   [Direct3D-S2Nanjing · DreamTech · Fudan · Oxford](https://arxiv.org/html/2505.17412v1)
-   [TripoSGVAST / Tripo](https://github.com/VAST-AI-Research/TripoSG)
-   [Hi3DGenByteDance · CUHK Shenzhen · Tsinghua](https://github.com/bytedance/Hi3DGen)
-   [SAM 3DMeta](https://github.com/facebookresearch/sam-3d-objects)

기관 및 공동 연구진의 국가예요. 각 모델에서 공식 프로젝트로 이동할 수 있어요.

## SAM 3D Objects와 Body 중 무엇을 선택할까요?

### 오브젝트 및 장면

**SAM 3D Objects**

이미지에서 오브젝트의 지오메트리, 외관, 배치를 재구성해요.

### 인물 및 자세

**SAM 3D Body**

인체 형태와 자세를 추정해요. 다른 작업을 위한 별도 모델이에요.

### 재구성에 앞선 선택

**SAM 3 → SAM 3D**

2D에서 대상을 식별하고 마스크로 오브젝트 재구성을 안내해요.

## 창작 방식 선택

게임용 소품, 장면에 쓸 장식품, 다른 각도에서 살펴볼 제품으로 시작하세요. 선명한 레퍼런스 이미지를 사용하면 생성된 형태를 평가하기 쉬워요.

[오브젝트 선택](https://segmentit.com/ko/docs/select-an-object/) [3D로 창작](https://segmentit.com/ko/docs/generate-3d/) [다운로드 및 내보내기](https://segmentit.com/ko/docs/download-and-export/)

## SAM 3D의 작동 방식은 무엇인가요?

### 이미지 + 마스크

원본 이미지는 맥락을 제공하고 마스크는 재구성할 오브젝트를 지정해요.

### 지오메트리 + 자세

첫 생성 단계에서 형태와 배치를 추정해요. 보이지 않는 표면은 학습된 시각 패턴으로부터 추론해요.

### 텍스처 + 세부 조정

두 번째 단계에서 외관과 디테일을 다듬어요. 연구 파이프라인은 메시와 가우시안 표현을 지원해요.

연구 모델의 아키텍처예요. 애플리케이션에서 제공하는 영상 기능, 표현 방식, 도구는 다를 수 있어요. [공식 코드 ↗](https://github.com/facebookresearch/sam-3d-objects)

## SAM 3D와 기존 이미지 기반 3D 방식 비교

SA-3DAO · 형태 재구성 · F1@0.01 · 높을수록 좋음

F1@0.01 · 0 → 0.25

TRELLIS

**0.1475**

Hunyuan3D-2.1

**0.1399**

Hunyuan3D-2.0

**0.1574**

Direct3D-S2

**0.1513**

TripoSG

**0.1533**

Hi3DGen

**0.1629**

SAM 3D

**0.2344**

**데이터 및 지표**

**SA-3DAO · Table 2**

| 모델 | F1@0.01 ↑ | vIoU ↑ | Chamfer ↓ | EMD ↓ |
| --- | --- | --- | --- | --- |
| TRELLIS | 0.1475 | 0.1392 | 0.0902 | 0.2131 |
| Hunyuan3D-2.1 | 0.1399 | 0.1266 | 0.1126 | 0.2432 |
| Hunyuan3D-2.0 | 0.1574 | 0.1504 | 0.0866 | 0.2049 |
| Direct3D-S2 | 0.1513 | 0.1465 | 0.0962 | 0.2160 |
| TripoSG | 0.1533 | 0.1445 | 0.0844 | 0.2057 |
| Hi3DGen | 0.1629 | 0.1531 | 0.0937 | 0.2134 |
| SAM 3D | 0.2344 | 0.2311 | 0.0400 | 0.1211 |

F1: 임계값 0.01에서의 표면 정밀도와 재현율. vIoU: 체적 중첩도. Chamfer와 EMD: 기하학적 거리(낮을수록 좋음). 논문의 원시 수치이며 성공률이 아니에요.

출처: [SAM 3D Team et al. · Table 2 · arXiv v1 (2025) ↗](https://arxiv.org/html/2511.16624v1#S4.T2)

이 비교에서 SAM 3D의 F1@0.01 점수는 0.2344예요. SA-3DAO에 대해 논문에 발표된 결과이며, 현재 상용 제품의 순위나 Segmentit이 직접 수행한 벤치마크는 아니에요.

### 체적 중첩도

예측한 부피가 기준과 얼마나 일치하는지를 나타내요. 높을수록 좋아요.

vIoU ↑0 → 0.25

**TRELLIS**

**0.1392**

**Hunyuan3D-2.1**

**0.1266**

**Hunyuan3D-2.0**

**0.1504**

**Direct3D-S2**

**0.1465**

**TripoSG**

**0.1445**

**Hi3DGen**

**0.1531**

**SAM 3D**

**0.2311**

[공개 데이터 · 2025년 ↗](https://arxiv.org/html/2511.16624v1#S4.T2)

### 표면 거리

기준 표면까지의 기하학적 거리예요. 낮을수록 좋아요.

Chamfer ↓0 → 0.12

**TRELLIS**

**0.0902**

**Hunyuan3D-2.1**

**0.1126**

**Hunyuan3D-2.0**

**0.0866**

**Direct3D-S2**

**0.0962**

**TripoSG**

**0.0844**

**Hi3DGen**

**0.0937**

**SAM 3D**

**0.0400**

[공개 데이터 · 2025년 ↗](https://arxiv.org/html/2511.16624v1#S4.T2)

### 전체 형태 일치도

점 분포 간의 거리예요. 낮을수록 좋아요.

EMD ↓0 → 0.25

**TRELLIS**

**0.2131**

**Hunyuan3D-2.1**

**0.2432**

**Hunyuan3D-2.0**

**0.2049**

**Direct3D-S2**

**0.2160**

**TripoSG**

**0.2057**

**Hi3DGen**

**0.2134**

**SAM 3D**

**0.1211**

[공개 데이터 · 2025년 ↗](https://arxiv.org/html/2511.16624v1#S4.T2)

### 결과 해석하기

2025년 발표 자료에서 평가한 버전을 역사적으로 비교한 것으로, 2026년 10월 7일에 검토했어요. 데이터셋, 프롬프트, 지표에 따라 측정 대상이 달라져요. 이 점수는 Segmentit의 생성 시간이나 모든 사진의 결과 품질을 예측하지 않아요.

## 연구에서 다음 창작물로.

사진을 Segmentit으로 가져오고 오브젝트를 분리한 뒤 3D 생성을 시작하세요. 스튜디오에서 결과를 확인한 후 다음 장면에 사용할 GLB를 다운로드하세요. 선택 영역과 모델은 프로젝트에 함께 보관돼요.

[창작 시작](https://segmentit.com/app?lang=ko) [작업 과정 살펴보기](https://segmentit.com/ko/services/photo-to-3d/)

## SAM 3D 관련 질문

**SAM 3와 SAM 3D 중 어떤 것이 필요한가요?**

세그멘테이션으로 이미지 속 대상을 선택하고 재구성으로 입체 형태를 만드세요. SAM 3와 SAM 3D는 같은 작업의 두 가지 버전이 아니라 서로 보완하는 기술이에요.

**SA-3DAO란 무엇인가요?**

Meta의 벤치마크는 실제 이미지와 전문 3D 아티스트가 만든 형태를 쌍으로 구성해요. 공개 자료에는 공개된 이미지/3D 쌍 100개와 벤치마크 대회용 비공개 쌍 900개가 설명되어 있어요.

**재구성한 오브젝트는 어떻게 사용하면 좋을까요?**

창작용 에셋으로 활용하세요. 모든 면을 살펴보고 장면에 맞게 크기를 설정하며 3D 도구에서 머티리얼을 조정하세요. 이미지 한 장은 유용한 출발점이지만 보이지 않는 디테일은 추론된 결과예요.

## 출처 및 문서

-   [Meta · SAM 3D](https://ai.meta.com/research/sam3d/)
-   [연구 논문 · SAM 3D](https://arxiv.org/html/2511.16624v1)
-   [공식 코드 · SAM 3D Objects](https://github.com/facebookresearch/sam-3d-objects)
-   [Meta · SA-3DAO 데이터셋](https://ai.meta.com/datasets/sa-3dao-sam-3d-artist-objects-downloads/)

검토일 2026년 10월 7일 · Segmentit 편집팀