보이지 않는 선수를 복원할 수 있을까

논문이 던진 질문

경기장에 설치한 전용 카메라는 정확한 트래킹 데이터를 만들지만 비용과 접근성의 한계가 있다. 방송 영상은 훨씬 넓게 확보할 수 있지만 화면 밖 선수, 클로즈업, 리플레이 때문에 한 장면의 절반 이상이 비는 경우도 생긴다. 세션은 이 불완전한 관측만으로 완전한 경기 상태를 얼마나 신뢰할 수 있게 복원할 수 있는지에서 출발했다.

연구의 접근

연구는 방송 트래킹과 이벤트 데이터를 함께 사용한다. 시공간 축 어텐션으로 경기의 문맥을 압축하고, 확산 모델이 보이지 않는 선수와 공의 궤적을 반복적으로 복원한다. 후속 연구에서는 긴 시간의 멀티모달 문맥을 읽는 Transformer와 궤적을 생성하는 diffusion 구조를 더 구체화했다.

세션에서 확인한 점

• 복원 데이터는 최근까지 화면에 보였던 선수에게만 확률이 쏠리는 방송 트래킹의 편향을 줄였다.
• 패스 수신자를 예측하는 xReceiver 과제에서 원본 방송 데이터보다 경기장 트래킹 데이터에 가까운 결과를 보였다.
• 이벤트와 위치를 결합하는 멀티모달 접근은 전술 분석의 확장 가능성을 보여준다.

비판과 다음 질문

좋은 생성 결과가 곧 실제 위치의 정답이라는 뜻은 아니다. 모델 구조와 학습 데이터가 충분히 공개되지 않으면 재현이 어렵고, 그럴듯한 궤적이 분석 결론을 왜곡할 위험도 있다. 세션에서는 복원 정확도뿐 아니라 전술·피지컬 지표가 얼마나 안정적으로 유지되는지를 함께 검증해야 한다고 보았다.

복원 모델의 품질은 화면을 얼마나 자연스럽게 채웠는지가 아니라, 복원된 좌표로 내린 전술적 판단이 원본과 얼마나 일치하는지로 평가해야 한다.

논문 정보와 평가 설계

항목	내용
핵심 데이터	방송 트래킹·이벤트·경기장 트래킹
복원 대상	화면 밖 선수와 공의 시공간 궤적
평가 과제	패스 수신 가능성을 추정하는 xReceiver

선수는 화면 밖에서 최대 1분가량 보이지 않을 수 있다. 연구는 마지막 위치를 단순 보간하지 않고, 시간축과 선수축을 나눠 처리하는 axial attention으로 팀 형태를 읽은 뒤 이벤트 정보와 diffusion을 결합해 가능한 궤적을 생성한다.

xReceiver 지표	원본 방송	복원 데이터	경기장 데이터
Top-1	42.03	55.43	59.06
Top-2	59.42	76.81	79.35
Top-3	71.01	88.04	90.94
Top-4	80.43	93.84	93.48
경기장 데이터와 IoU	0.5105	0.7121	-

복원 데이터는 모든 지표에서 원본 방송 트래킹을 앞섰고, 화면에 오래 잡힌 선수에게 예측이 쏠리는 편향도 줄였다.

세션에서 남긴 질문

1. 화면 밖 선수의 위치에는 어느 정도의 불확실성 구간을 함께 제시해야 하는가?
2. 압박 강도, 팀 간격, 패스 선택처럼 후속 지표별로 허용 가능한 복원 오차는 다른가?
3. K리그 방송 영상처럼 카메라 조건이 달라졌을 때도 같은 방식이 작동하는가?