나무모에 미러 (일반/어두운 화면)
최근 수정 시각 : 2024-04-26 12:56:50

SVP


1. Smooth Video Project2. 일본의 격투게임3. 척추고생물학회4. S’il vous plaît

1. Smooth Video Project

https://www.svp-team.com/get/
Smooth Video Project. 플루이드 모션 이나 드미트리 렌더와 같이 프레임 보간을 해주는 프로그램으로 2023년 현재 개인 PC에서 가장 많이 사용되는 프레임 보간 프로그램들 중 하나. 플루이드 모션구세대 AMD 그래픽카드나 구세대 APU가 없으면 사용할 수 없고, 드미트리 렌더는 시리얼넘버 관리 등등 제작자의 불성실한 대응 때문에 SVP로 옮겨가는 사용자가 늘고 있는 반면, SVP는 초창기 불안정하고 사양을 너무 많이 탔던 시절에 비해 크게 발전하고있다[1]. 21년 7월 퀘이사존 소개 칼럼

다만 안드로이드는 가장 나중에 지원을 추가했고 아직 무료 베타 기간이라 여러모로 부족한 편. 참고로 2023년 현재 베타가 아니면서 무료로 제공하는 플랫폼은 리눅스 뿐이다.

RIFE AI 옵션도 지원하고 있는데, 자체 알고리즘에 비해 보간 화질은 좋지만 아직 실시간으로 쓰기엔 많이 무거운 편. 그래도 지원 초기에 비해서는 RIFE 자체도 발전했고[2], SVP쪽의 구현도 최적화되어 RTX 3090 정도의 그래픽카드라면 720P~1080P 정도는 처리 가능한 모양이다. 성능 대폭 개선 TensortRT 구현 쓰는 방법

2. 일본의 격투게임

파일:external/c068729df3f0cfc18de685f0a22b96802070c369623cf2ee964c99c4cba8314a.jpg
SNK vs Playmore의 약자로, HiroHiro라는 일본MUGEN 캐릭터 제작자가 만든 2차 창작 격투게임.

HiroHiro의 MUGEN 캐릭터들은 조작감도 좋고 완성도도 높지만, 상당히 특이한 시스템을 사용해서 다른 제작자의 캐릭터와 대전을 할 때 충돌이 많이 일어났다. 그래서 이 캐릭터가 아예 자신의 시스템만으로 커스터마이징이 된 것을 MUGEN 기반으로 만들었으니, 그 이름하여 SNK vs Playmore. 약자로 SVP.

시스템적으로는 KOF 2002 기반에 KOF XI의 슈퍼캔슬과 드림캔슬이 추가된 형태. HiroHiro의 캐릭터들만 사용하는 것이 아니라 다른 일본쪽 MUGEN 캐릭터들도 제작자의 허락을 받아서 이 SVP용으로 컨버전을 하기도 한다.

풀버전 무겐의 특성 상 이 SVP의 캐릭터들도 일반 MUGEN에서는 사용할 수 없다. 데이터를 수정하면 어느정도 쓸 수는 있지만 수정하는게 상당한 지식이 필요하다. 인터넷에 일반 무겐용으로 포팅된 SVP 캐릭터도 많이 돌아다니므로 찾아 보는것을 추천한다. 역으로 일반 무겐의 캐릭터 역시 SVP에서는 플레이 불가.

여성 캐릭터들이 극히 드물다는 것도 특징이라면 특징이다. 전체 캐릭터 숫자가 66명인데 여성 캐릭터의 숫자는 그 1/6인 11명이다.

히로히로의 홈페이지에서 배포했으나 2010년 10월 31부로 호스팅이 종료되는 바람에 다운로드를 할 수 없게 되었다. 다행히도 현재는 인터넷 아카이브를 통해 받을 수 있게 되었다.

그 명성이 당시에도 대단했고, 2023년 기준으로 봐도 대단히 훌륭한 완성도를 가졌기 때문에 현재도 그의 의지를 잇고자 하는 사람이 몇몇 존재한다.

3. 척추고생물학회

척추고생물학회(Society of Vertebrate Paleontology), 또는 척추고생물학회에서 열리는 정기모임을 가리키는 말. 문서참조.

4. S’il vous plaît

프랑스어에서 정중한 표현을 만들 때 쓰는 문구로, 영어의 please에 해당한다.



[1] 사실 플루이드 모션 이나 드미트리 렌더보다 훨씬 먼저 나왔지만, SVP 3 초창기에는 러시아어와 영어만 지원할 정도로 영세해서 아는 사람이나 쓰는 정도였다. 크라우드펀딩으로 SVP 4를 다시 개발하면서 지금처럼 성장할 계기를 만든 것이다.[2] Practical-RIFE라고 지속적으로 학습 데이터를 모아 개선한 결과를 공개하는 곳이 있다. 딥 러닝 특성상 같은 알고리즘이라도 학습 데이터가 많으면 평균적으로 더 나은 결과를 기대할 수 있기 때문개선 예시.