PairDropGS: 희소 뷰 가우시안 스플래팅을 위한 페어드 드롭아웃 유도 일관성 정규화
PairDropGS: Paired Dropout-Induced Consistency Regularization for Sparse-View Gaussian Splatting
드롭아웃 기반 희소 뷰 3D 가우시안 스플래팅(3DGS) 방법들은 학습 중 가우시안 프리미티브를 무작위로 억제하여 과적합을 완화한다. 기존 방법들은 주로 점점 더 정교한 드롭아웃 전략 설계에 초점을 맞추지만, 서로 다른 드롭아웃된 가우시안 부분집합 사이에서 발생하는 불일치는 간과한다. 이러한 간과는 종종 불안정한 재구성과 차선의 가우시안 표현 학습으로 이어진다. 본 논문에서는 드롭아웃 기반 희소 뷰 3DGS를 일관성 정규화 관점에서 재검토하고, 희소 뷰 가우시안 스플래팅을 위한 페어드 드롭아웃 유도 일관성 정규화 프레임워크인 PairDropGS를 제안한다. 구체적으로 PairDropGS는 공유 가우시안 필드에서 드롭아웃된 가우시안 부분집합 한 쌍을 구성하고, 이들의 저주파 렌더링 구조를 제약하는 저주파 일관성 정규화를 설계한다. 이 설계는 공유 가우시안 필드가 서로 다른 무작위 드롭아웃 하에서도 안정적인 장면 배치와 거친 기하를 유지하도록 유도하면서, 모호한 고주파 세부에 대한 과도한 제약은 피한다. 또한 재구성의 안정성과 견고성을 위해 학습 동안 일관성 정규화를 점진적으로 강화하는 점진적 일관성 스케줄링 전략을 도입한다. 널리 사용되는 희소 뷰 벤치마크에 대한 광범위한 실험에서 PairDropGS는 우수한 학습 안정성을 달성하고, 재구성 품질에서 기존 드롭아웃 기반 3DGS 방법들을 크게 능가하며, 드롭아웃 기반 최적화를 개선하기 위한 단순함과 plug-and-play 특성을 보인다.