시각효과(VFX)는 디지털 미디어의 표현력에 핵심적인 역할을 하며, 그 생성은 여전히 생성형 AI의 주요 과제로 남아 있다. 기존의 대다수 방법은 한 효과당 하나의 LoRA(LoRA: Low-Rank Adaptation)를 사용하는 패러다임에 의존하는데, 이는 자원을 집약적으로 소모할 뿐만 아니라 예측할 수 없는 효과에 대한 일반화 능력이 본질적으로 부족하여 확장성과 창작 가능성을 제한한다. 이러한 문제를 해결하기 위해, 본 연구는 VFX 영상 생성을 위한 세계 최초의 통합적이고 참조 기반의 프레임워크인 VFXMaster를 제안한다. 이 프레임워크는 효과 생성을 맥락 내 학습(in-context learning) 문제로 재정의함으로써, 타깃 콘텐츠에 다양한 동적 효과를 참조 영상에서 재현할 수 있도록 한다. 또한, 미리 보지 못한 효과 카테고리에 대해서도 뛰어난 일반화 성능을 보인다. 구체적으로, 모델에 참조 예시를 제시하는 맥락 내 조건부 전략(in-context conditioning strategy)을 설계하였으며, 효과의 핵심 특성을 정확히 분리하고 주입할 수 있도록 맥락 내 주의 마스크(in-context attention mask)를 제안하였다. 이를 통해 단일 통합 모델이 정보 유출 없이 다양한 효과를 정교하게 모방할 수 있다. 더불어, 사용자가 단일 영상만 제공해도 어려운 미지의 효과에 대해 빠르게 일반화 능력을 향상시킬 수 있는 효율적인 1회성 효과 적응 메커니즘(one-shot effect adaptation mechanism)을 제안한다. 광범위한 실험을 통해 제안한 방법이 다양한 효과 카테고리의 정보를 효과적으로 모방하며, 도메인 외 효과에 대해서도 뛰어난 일반화 성능을 보임을 입증하였다. 향후 연구를 촉진하기 위해, 본 연구는 코드, 모델, 그리고 포괄적인 데이터셋을 커뮤니티에 공개할 예정이다.