PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.21448v2cs.CV

GrainGS: 효율적인 동적 신규 시점 합성을 위한 그래디언트 분리 가우시안 스플래팅

GrainGS: Gradient-Decoupled Gaussian Splatting for Efficient Dynamic Novel View Synthesis

3D 가우시안 스플래팅(3D Gaussian Splatting)을 이용한 동적 장면 재구성은 세밀한 운동 모델링, 구조적 안정성, 압축된 표현 사이의 균형이 필요하다. 기존 primitive 단위 방법은 유연한 국소 변형을 제공하지만 종종 불필요한 primitive 증가에 시달리는 반면, 앵커 기반 방법은 공간적 규칙성을 개선하는 대가로 국소적으로 변하는 운동을 억제한다. 이 문제를 해결하기 위해 계층적 앵커 스캐affold와 가우시안 단위 변형을 결합한 동적 가우시안 프레임워크인 GrainGS를 제안한다. 정적 워밍업(warm-up) 단계에서 모든 타임스탬프에 걸친 관측으로부터 시간 불변 canonical 표현을 먼저 구축한다. 공동 학습(joint training) 중 stop-gradient 연산으로 변형이 매개하는 canonical 위치로의 그래디언트 경로를 차단하면서, 재구성 목적함수를 통한 직접 정제는 유지한다. 각 가우시안은 위치, 회전, 스케일에 대한 독립적인 시간적 오프셋을 예측하여 구조적으로 제약된 스캐affold 내에서 세밀한 국소 운동을 가능하게 한다. canonical-residual 외관 분해는 기하학적 변형으로 강제하지 않고 프레임 의존적 광도 변화를 모델링한다. 합성 단안 및 실세계 다중 시점 벤치마크에서의 실험은 GrainGS가 높은 재구성 품질, 실시간 신규 시점 합성, 압축 저장을 달성함을 보여준다. 합성 벤치마크 설정에서 평균 피크 신호 대 잡음비(PSNR) 36.98 dB, 초당 435.6 프레임 렌더링, 4.67 MB 저장 공간을 요구한다.

arXiv:2607.12362v1cs.CV

큰 프레임 간 변위를 동반한 빠른 움직임을 위한 암시적 4D Gaussian Splatting

Implicit 4D Gaussian Splatting for Fast Motion with Large Inter-Frame Displacements

최근 4D Gaussian Splatting(4DGS) 방법은 가우시안 속성이 학습 과정에서 제대로 학습되지 않고 빠르게 움직이는 객체가 재구성에서 종종 누락되는, 큰 프레임 간 변위를 동반한 빠른 움직임 상황에서 자주 실패한다. 본 연구에서는 4DGS를 위한 시공간 위치 암시 신경망(Spatiotemporal Position Implicit Network for 4DGS, SPIN-4DGS)을 제안한다. SPIN-4DGS는 시간적 변위를 모델링하는 대신 명시적으로 수집한 시공간 위치로부터 가우시안 속성을 학습하여, 큰 프레임 간 변위를 동반한 빠른 움직임에서도 더 충실한 splatting을 가능하게 한다. 모든 시공간 위치에 걸쳐 속성을 명시적으로 최적화할 때 발생하는 큰 메모리 오버헤드를 피하기 위해, 대신 래스터화 기반 재구성 손실 하에서 학습된 경량 순전파 신경망으로 이를 예측한다. 그 결과 SPIN-4DGS는 가우시안 전반에 걸쳐 공유 표현을 학습하여 시공간 일관성을 효과적으로 포착하고, 까다로운 움직임에서도 안정적이고 고품질의 Gaussian splatting을 가능하게 한다. 광범위한 실험에서 SPIN-4DGS는 큰 변위 상황에서 지속적으로 더 높은 충실도를 달성하며, CMU Panoptic 데이터셋의 도전적인 스포츠 장면에서 PSNR 및 SSIM이 뚜렷이 개선된다. 예를 들어, SPIN-4DGS는 Basketball 장면에서 PSNR이 +1.83 더 높아 가장 강한 기준선인 D3DGS를 뚜렷이 능가한다.

arXiv:2607.01860v1cs.RO

DL-SLAM: 이중 수준 확률 기반 동적 환경에서의 고충실도 가우시안 스플래팅 SLAM 구현

DL-SLAM: Enabling High-Fidelity Gaussian Splatting SLAM in Dynamic Environments based on Dual-Level Probability

동적 환경에서의 3DGS 기반 SLAM 문제를 해결하기 위해, DL-SLAM은 의미론적·기하학적 정보를 결합한 이중 수준(픽셀 수준 + 객체 수준) 확률 프레임워크를 도입하여 일시적으로 정적인 객체는 포즈 추정에 활용하면서도 동적 가우시안을 객체 단위로 제거해 아티팩트 없는 정적 지도를 생성한다. 세 가지 동적 데이터셋 실험에서 기존 방법 대비 추적 정확도를 최대 13% 향상시키고 고충실도 의미론적 지도를 생성함을 입증했다.