PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27868v1cs.CV

TopoGS: 대규모 3D 가우시안 스플래팅을 위한 위상 인식 앵커 특징 집약

TopoGS: Topology-Aware Anchor Feature Aggregation for Large-Scale 3D Gaussian Splatting

옥트리(octree) 기반 3D 가우시안 스플래팅(3D Gaussian Splatting)은 세부 수준(level-of-detail) 렌더링을 위해 앵커를 다단계 계층 구조로 구성하지만, 서로 다른 수준의 특징(feature)들은 일반적으로 독립적으로 최적화되어 특징 학습 중에 옥트리 위상(topology)이 충분히 활용되지 못합니다. 본 연구에서는 균일한 수준 간 집약이 비대칭적 효과를 낳는다는 점을 관찰했습니다. 즉, 미세 수준(fine-level) 앵커는 대략적(coarse) 문맥의 이점을 얻는 반면, 대략적 수준(coarse-level) 앵커는 자손으로부터의 선택적 정보를 필요로 합니다. 이에 따라 두 가지 경량 컴포넌트로 구성된 위상 인식 앵커 특징 집약 프레임워크인 TopoGS를 제안합니다. 계층적 앵커 결합(Hierarchical Anchor Coupling)은 잔차 MLP(residual MLP)로 수준별 문맥 트리플릿을 융합하여 양방향 수준 간 그래디언트(gradient) 경로를 구축합니다. 구조 인식 포함 집약(Structure-Aware Containment Aggregation)은 옥트리 포함 관계와 해시 기반 매칭을 사용하여 유효한 부모-자식 관계가 있는 앵커와 고립된 앵커를 구별한 후, 다양한 위상적 희소성(sparsity)을 수용하기 위해 소프트 가중치를 적용합니다. Mill19, UrbanScene3D, Tanks & Temples, MatrixCity, WHU의 10개 장면에 대한 실험은 최첨단 방법 대비 일관된 성능 향상을 보여줍니다. TopoGS는 항공, 지상, 합성 지도 장면에 대해 보고된 가장 강력한 기준선(baseline) 대비 각각 평균 2.13, 1.78, 0.29 dB의 PSNR 향상을 달성하면서도 더 빠르게 렌더링하고 더 적은 메모리를 사용합니다. 코드는 https://github.com/WZ-CS/TopoGS 에서 제공됩니다.