PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13541v1cs.CV

3DGS를 위한 효율적인 신뢰도 인지 밀집화

Efficient Confidence-Aware Densification for 3DGS

3DGS-MCMC는 3D 가우시안 스플래팅(3D Gaussian Splatting)의 그래디언트 기반 밀도 제어를 불투명도(opacity) 기반 샘플링 및 재배치로 대체하며, 고정된 프리미티브(primitive) 예산 하에서 사전 정보 없는(prior-free) 밀집화의 사실상 표준이 되었습니다. 이미 장면이 잘 재구성된 영역에서 불투명도가 높게 유지되기 때문에, 이러한 샘플링은 대부분의 새로운 프리미티브를 전경으로 보내고 배경은 불충분하게 재구성된 상태로 남겨둡니다. 낮은 예산에서는 ConeGS 및 EDGS와 같은 사전 정보 기반 방법이 사전학습된 래디언스 필드(radiance field)나 조밀한 이미지 매칭, 그리고 별도의 초기화 단계를 희생하면서 이를 능가하는 성능을 보입니다. 본 논문에서는 고정 예산 MCMC 프레임워크 내에서 오차 기반(error-driven) 밀집화의 부활을 주장합니다. 제안하는 신뢰도 인지 밀집화(confidence-aware densification)는 3DGS-MCMC의 고정된 예산과 점진적 증가 방식을 유지하면서도, 불투명도 대신 이미지 오차를 기준으로 프리미티브를 배치합니다. 새로운 프리미티브는 주로 스크린 공간 그래디언트가 큰 위치에서 추출됩니다. 또한 재구성이 여전히 불완전하게 설명하는 영역을 나타내는 학습된 낮은 신뢰도를 가진 프리미티브를 선호하며, 렌더링된 이미지에 가장 적게 기여하는 프리미티브를 이러한 위치로 재배치합니다. 24개 장면에 대한 평균 결과, 본 연구의 방법은 10만 개부터 200만 개 프리미티브에 이르는 모든 예산 범위에서 PSNR, SSIM, LPIPS 전반에 걸쳐 3DGS-MCMC를 능가합니다. 10만 개 예산에서는 사전 정보나 초기화 단계 없이도 ConeGS가 3DGS-MCMC 대비 앞서는 1.05dB PSNR 중 0.84dB를 회복하며, 50만 개 이후부터는 ConeGS와 EDGS를 포함해 비교된 모든 고정 예산 방법 중 가장 높은 PSNR과 SSIM을 달성합니다. 본 밀집화 기법은 본질적으로 사전 정보가 필요 없지만 사전 정보를 활용할 수도 있어, ConeGS 또는 EDGS 초기화로부터 시작할 경우 10만 개에서 ConeGS와 대등한 PSNR 및 SSIM을 기록하고 50만 개에서는 세 가지 지표 모두에서 최고 성능을 달성합니다.

arXiv:2603.20714v4cs.CV

3D 가우시안 스플래팅에서 초기화의 역할

The Role of Initialization in 3D Gaussian Splatting

3D 가우시안 스플래팅(3DGS)은 뛰어난 효율성과 우수한 시각적 품질 덕분에 사실적인 신규 시점 합성(NVS)을 위한 대표적인 방법으로 자리 잡았습니다. 3DGS는 장면을 위치, 공간적 범위, 시점 의존적 색상으로 매개변수화된 3D 가우시안의 집합으로 표현합니다. 초기 포인트 클라우드에서 시작하여, 3DGS는 일련의 학습 이미지를 최대한 정확하게 재구성하도록 가우시안의 매개변수를 정제합니다. 일반적으로는 희소한 Structure-from-Motion 포인트 클라우드가 초기화로 사용됩니다. 따라서 완전한 장면 표현을 얻기 위해 3DGS 방식은 밀집화(densification) 단계에 의존합니다. 본 논문에서는 여러 밀집화 전략을 활용하여 초기화가 3DGS의 NVS 성능 및 기하학적 품질에 어떤 영향을 미치는지 체계적으로 연구합니다. 우리는 강력한 밀집화와 결합될 경우 밀집 초기화가 일관된 시각적 개선으로 이어지지 않음을 보여줍니다. 그럼에도 불구하고, 이는 궤적을 벗어난 시점(off-trajectory views)에 대한 일반화에 도움이 되며 장면의 기하학적 정확도를 크게 향상시킵니다. 코드는 https://github.com/deivse/ivd_splat 에서 확인할 수 있습니다.