메뉴
BL
The Decoder 44일 전

마이크로소프트 '미라지', 잊지 않는 공간 기억력으로 비디오 생성 혁신

IMP
8/10
핵심 요약

마이크로소프트와 여러 대학의 연구진이 발표한 새로운 비디오 세계 모델 '미라지(Mirage)'는 내부 잠재 공간(latent space)에 공간 기억을 저장하여 카메라가 길게 이동해도 장면의 구조가 일관되게 유지되도록 합니다. 기존 복잡한 3D 포인트 클라우드 방식을 건너뛰어 경쟁 모델 대비 최대 10.5배 빠른 속도와 55배 적은 메모리 사용량이라는 압도적인 효율성을 달성했습니다.

번역된 본문

마이크로소프트 리서치의 미라지(Mirage), 비디오 생성에 영구적인 공간 기억을 부여하여 모서리 너머의 풍경도 잊지 않습니다. (Jonathan Kemper, 2026년 6월 14일)

핵심 요약

  • 마이크로소프트 리서치 및 여러 대학의 새로운 비디오 세계 모델인 미라지는 카메라가 길게 이동하는 동안에도 생성된 장면의 공간 구조를 일관되게 유지합니다.
  • 이 시스템은 픽셀 기반 3D 포인트 클라우드(Point Cloud)를 거치는 비용이 많이 드는 과정을 생략하고, 이미지 특징을 모델 내부의 잠재 공간(latent space)에 직접 저장합니다.
  • 미라지는 비교 가능한 기존 모델들보다 최대 10.5배 빠르게 비디오를 생성하며 메모리는 최대 55배 적게 사용합니다.
  • 이동하는 물체는 기억 저장소에서 필터링되어 제외됩니다.

미라지(Mirage)는 픽셀 기반 메모리를 거치는 비용이 많이 드는 우회 과정을 생략한 새로운 비디오 세계 모델(Video World Model)입니다. 이를 통해 생성 속도를 크게 높이고 카메라가 길게 이동하는 동안에도 장면의 공간 구조를 안정적으로 유지합니다. 이 모델은 여러 대학의 연구원들이 마이크로소프트 리서치와 함께 개발했습니다.

비디오 세계 모델은 시작 프레임과 카메라 경로를 입력받아 개연성 있는 움직이는 이미지로 변환하여, 시뮬레이션이나 세계 시뮬레이터로 사용될 때 매우 유용합니다. 하지만 어떠한 형태의 메모리도 없다면, 성능이 뛰어난 생성 모델조차 시간이 지남에 따라 공간 감각을 잃게 됩니다. 카메라가 다시 돌아왔을 때, 이미 지나친 방의 모서리가 전혀 다르게 보이게 됩니다. 가구의 위치가 바뀌고 질감이 변하는 것입니다.

Voyager, WonderWorld, Spatia 같은 기존 시스템들은 지속적으로 색상 데이터를 공급받는 3D 포인트 클라우드를 사용해 이 문제를 해결하려고 시도했습니다. 하지만 새로운 생성 단계마다 해당 포인트 클라우드를 렌더링한 다음, 그 결과를 다시 모델의 내부 특징 공간으로 변환해야 합니다. 마이크로소프트의 새로운 논문은 이를 '이중 병목 현상(Double bottleneck)'이라고 부릅니다. 연산량을 크게 소모할 뿐만 아니라, 데이터가 픽셀 공간을 통과할 때마다 정보 누수가 발생하기 때문입니다.

미라지는 다른 접근 방식을 취합니다. 눈에 보이는 색상 포인트를 유지하는 대신, 확산 모델(Diffusion model)이 이미 사용하고 있는 내부 이미지 특징(image features) 자체를 저장합니다. 각 특징은 3D 공간에 자리를 잡게 되며, 이것이 공간 메모리의 항목으로 변환됩니다.

새로운 시점을 생성하기 위해 모델은 이 저장소를 대상 카메라 뷰에 직접 투영하고 그 결과를 생성기에 전달합니다. 이를 통해 포인트 클라우드를 렌더링하고 다시 인코딩하는 단계를 생략합니다. 연구진은 데이터가 원본 이미지 크기가 아닌 모델의 압축된 내부 해상도에 저장되기 때문에 메모리 사용량도 크게 줄어든다고 설명합니다.

메모리가 단계별로 성장하는 방식

미라지는 비디오를 세그먼트(분절) 단위로 제작하며, 시작 이미지에서 공간 메모지를 시드(Seed, 초기화)합니다. 이후 모든 세그먼트에 대해 시스템은 메모리에서 관련 데이터를 가져와 새로운 프레임을 생성한 다음, 해당 콘텐츠를 다시 캐시에 기록합니다. 이 과정에서 메모리는 계속해서 성장합니다.

필터는 이동하는 물체와 하늘을 기록하기 전에 제거하여 시스템 스스로 걸려 넘어지는 것을 방지합니다. 따라서 오직 안정적인 구조물들만 장기 기억 속에 남게 됩니다.

연구진은 알리바바(Alibaba)의 오픈소스 비디오 모델인 Wan2.2를 기반으로 구축했습니다. 여기에 모델이 새로운 메모리를 사용하도록 가르치는 작은 추가 모듈을 결합하고, LoRA(Low-Rank Adaptation) 어댑터를 사용해 전체를 미세 조정(Fine-tuning)했습니다.

색상 기반 경쟁 모델들보다 더 빠르고 가벼운 성능

WorldScore 벤치마크에서 미라지는 여전히 메모리를 색상 포인트로 유지하는 가장 가까운 경쟁 모델인 Spatia를 능가하며, Wan2.1 및 CogVideoX와 같은 일반 비디오 생성기는 훨씬 뒤처지게 만들었습니다. 이 모델은 장면의 공간 구조를 유지하고 여러 프레임에 걸쳐 표면의 일관성을 유지하는 데 탁월한 성능을 보여줍니다.

또한 폐루프(Closed-loop) 테스트의 RealEstate10K 데이터셋에서 3가지 지표 중 2가지에서 1위를 차지했습니다. 이 테스트에서 카메라는 시작 지점으로 다시 돌아오는데, 작은 오차조차 전체 경로에 걸쳐 누적되기 때문에 매우 가혹한 스트레스 테스트입니다.

효율성은 미라지의 가장 강력한 장점입니다. 색상 기반 메모리는 비디오 길이가 길어질수록 확장성이 떨어지고 그래픽 메모리 요구량이 계속해서 증가합니다. 반면 미라지의 프레임당 연산 비용은 첫 번째 세그먼트 이후로는 거의 변하지 않습니다. 연구진은 색상 기반 시스템과 비교하여 최대 10.57배 빠른 생성 속도와 최대 55배 적은 메모리 사용량이라는 전반적인 이점을 확인했다고 밝혔습니다. 연구진은 한 가지 단점에 대해서도 솔직하게 공개하고 있습니다.

원문 보기
원문 보기 (영어)
Microsoft Research's Mirage gives video generation a persistent spatial memory that doesn't forget what's around the corner Jonathan Kemper View the LinkedIn Profile of Jonathan Kemper Jun 14, 2026 Nano Banana Pro prompted by THE DECODER Key Points Mirage, a new video world model from Microsoft Research and several universities, keeps the spatial structure of generated scenes consistent even during long camera movements. Instead of taking the expensive detour through pixel-based 3D point clouds, the system stores image features directly in a spatial memory within its internal latent space. Mirage generates videos up to 10.5x faster and uses up to 55x less memory than comparable models. Moving objects are still filtered out of the memory. Ask about this article… Search Mirage is a new video world model that skips the costly detour through pixel-based memory. That speeds up generation and keeps a scene's spatial structure stable even during long camera moves. Researchers from several universities built it with Microsoft Research. Video world models turn a starting frame and a camera path into plausible moving images, handy for simulations or as world simulators. But without some kind of memory, even strong generators lose track of space over time. A corner of a room you've already passed looks different when the camera swings back. Furniture shifts, and textures change. Systems like Voyager , WonderWorld , and Spatia try to fix this with a 3D point cloud that gets fed a steady stream of color data. Every new generation step has to render that cloud and then translate the result back into the model's internal feature space. Microsoft's new paper calls this a double bottleneck: It eats compute, and information leaks out every time the data passes through pixel space. Ad Mirage takes a different approach. Rather than holding onto visible color points, it stores the internal image features the diffusion model already uses. Each feature gets a spot in 3D space, which turns it into an entry in spatial memory. Ad DEC_D_Incontent-1 To generate a new viewpoint, the model projects this store straight onto the target camera and hands the result to the generator, skipping the step of rendering a point cloud and re-encoding it. The authors say this also slashes memory use, since the data sits in the model's compact internal resolution instead of at full image size. How the memory grows with each step Mirage builds videos in segments, seeding the spatial memory from the starting image. For every later segment, the system pulls the relevant data from memory, generates the new frames, then writes their contents back to the cache. The memory keeps growing as it goes. Ad A filter keeps the system from tripping over itself by stripping out moving objects and the sky before writing, so only stable geometry lands in long-term memory. The researchers built on Alibaba's open-source video model Wan2.2 , bolting on a small add-on module that teaches the model to use the new memory, then fine-tuning the whole thing with LoRA adapters. Faster and lighter than color-based rivals On the WorldScore benchmark, Mirage beats its closest rival Spatia, which still keeps memory as color points, and leaves general video generators like Wan2.1 and CogVideoX far behind. It shines at holding a scene's spatial structure together and keeping surfaces looking consistent across many frames. Ad DEC_D_Incontent-2 It also leads two of three metrics on the RealEstate10K dataset in the closed-loop test. Here the camera circles back to its starting point, a brutal stress test because every tiny error piles up over the full path. Ad Efficiency is Mirage's strongest point. Color-based memory scales badly on longer runs and keeps demanding more graphics memory. Mirage's compute cost per frame barely moves after the first segment. The researchers put the total gain at up to 10.57x faster generation and up to 55x less memory than color-based systems. They're upfront about one catch. Moving objects get dropped at segment boundaries because their geometry can't be trusted, and the filter deliberately tosses them out. Busy scenes gain less from spatial memory than quiet interiors do. The team points to storing dynamic content as the obvious next problem to solve. You can find more on Mirage on the project page . Microsoft also runs a GitHub repository for Latent Spatial Memory . Video world models are one of the hottest research areas in AI video right now. Models like Veo mostly produce single, internally consistent clips, while world models try to make a scene navigable and keep it consistent over time. Google Deepmind showed this off recently with Genie 3 , which spins up interactive environments in real time and holds them for several minutes . At I/O, Google also pitched Gemini Omni as a world model and the potential successor to its text-to-video model Veo. AI News Without the Hype – Curated by Humans Subscribe to THE DECODER for ad-free reading, a weekly AI newsletter, our exclusive "AI Radar" frontier report six times a year, full archive access, and access to our comment section. Subscribe now Source: Arxiv | Microsoft