본 논문은 시각적 장면의 구조, 의미, 정체성을 간결하고 정확하게 설명하는 시각적 장면 표현 방식인 'Scene Language'를 제안합니다. Scene Language는 계층적이고 관계적인 엔티티 구조를 명시하는 프로그램, 각 엔티티의 의미 클래스를 요약하는 자연어 단어, 각 엔티티의 시각적 정체성을 포착하는 임베딩의 세 가지 주요 구성 요소로 장면을 표현합니다. 이 표현은 사전 훈련된 언어 모델을 통해 텍스트 또는 이미지 입력이 주어지면 훈련이 필요 없는 추론 기법을 사용하여 추론할 수 있습니다. 결과적으로 생성된 장면은 기존, 신경망 또는 하이브리드 그래픽 렌더러를 사용하여 이미지로 렌더링될 수 있습니다. 이는 고품질 3D 및 4D 장면 생성을 위한 강력하고 자동화된 시스템을 형성합니다. 기존의 장면 그래프와 같은 표현 방식과 비교하여 Scene Language는 더 높은 충실도로 복잡한 장면을 생성하는 동시에 장면 구조를 명시적으로 모델링하여 정밀한 제어 및 편집을 가능하게 합니다.
