PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.03162v1cs.GR

Budgeted-GS: LOD 인자화를 통한 실시간 대규모 가우시안 스플래팅

Budgeted-GS: Real-Time Large-Scale Gaussian Splatting via Factoring LOD

3D 가우시안 스플래팅(3D Gaussian Splatting)은 실시간 렌더링으로 뛰어난 시각적 품질을 달성하지만, 도시 전체 규모에서는 적합하지 않습니다. 학습된 모델은 수백만 개의 기본 요소(primitives)와 수 기가바이트의 메모리를 차지하며, 소비자용 GPU에서 고품질로 실시간 렌더링하는 것은 여전히 요원합니다. 본 논문에서는 학습된 3DGS 모델을 모멘트 일치 집합체들의 다중 해상도 계층 구조인 인자화 트리(factoring tree)로 변환하는 사후 기법인 Budgeted-GS를 소개합니다. 몇 초간의 구축 과정 후, 단일 품질 매개변수가 각 시점마다 대상 기기의 메모리에 맞는 상세도(level of detail, LOD)를 선택하므로, 동일한 도시 규모 모델로 메모리 용량이 크게 다른 여러 GPU를 지원할 수 있습니다. 새로운 장면을 학습해야 할 때도 동일한 이론이 적용됩니다. 전체 크기의 모델을 키운 후 압축하는 대신, 예산 중심 학습(budget-centered training)은 장면에서 필요한 기본 요소의 수를 먼저 측정한 뒤 해당 크기로 모델을 직접 학습하여, 나중에 폐기될 기본 요소를 최적화하는 낭비를 방지합니다. 두 방법 모두 위상 공간(phase space)의 최적 수송(optimal transport)에서 유도된 예산-오차 법칙인 측정 가능한 용량 하한(capacity floor)에 기반하며, 최근의 커버링 정리(covering theorems)로 검증된 선택 규칙이 불필요한 기본 요소를 결정합니다. 이 하한선은 장면에 실제로 필요한 기본 요소 수와 안전하게 포기할 수 있는 기본 요소 수를 알려줍니다. 사전 등록된 프로토콜에 따라 13개의 공개 장면에서 용량 하한을 검증하고, 객체 장면부터 공식 도시 캡처 장면에 이르기까지 두 방법을 모두 적용하여 단일 소비자용 GPU에서 네이티브 1920x1080 해상도와 완전한 구면 조화 함수(full SH)로 실시간 렌더링을 구현합니다.

arXiv:2607.03390v1cs.CV

TemporalGS: 시간적 사전 정보를 활용한 3D 가우시안 스플래팅 렌더링의 학습 불필요 플러그앤플레이 가속

TemporalGS: Training-Free Plug-and-Play Acceleration for 3D Gaussian Splatting Rendering via Temporal Priors

3D 가우시안 스플래팅(3DGS)은 빠르고 고충실도 렌더링으로 새로운 시점 합성(novel-view synthesis) 분야에 혁신을 가져왔습니다. 그러나 다양한 장면에서 높은 FPS와 낮은 지연 시간으로 렌더링하는 것은 여전히 어려운 과제이며, 특히 장면에 대량의 3D 가우시안 타원체가 존재할 때 더욱 그러합니다. 이 문제를 해결하기 위해, 우리는 타일(tile) 기반 소프트웨어 래스터화 위에 구현된, 어떠한 사후 학습(post-training)이나 후처리 없이 3DGS 렌더링을 가속하는 최초의 학습 불필요(training-free) 플러그앤플레이 알고리즘 방식인 TemporalGS를 소개합니다. 핵심 아이디어는, 3DGS처럼 프레임을 독립적으로 렌더링하는 대신, 새로운 기하(geometry) 및 외형(appearance) 버퍼 등으로 표현되는 시간적 사전 정보(temporal priors)를 활용하여 연속 프레임 간 가우시안 전처리, 정렬, 래스터화 연산의 중복성을 줄이는 것입니다. 구체적으로, 두 가지 가속 전략을 제안합니다: (1) 현재 프레임 렌더링에 기여도가 낮은 가우시안을 걸러내는 시간적 동적 컬링(temporal dynamic culling), (2) 시간적 사전 정보로 근사할 수 없는 소수의 타일만 렌더링하는 선택적 렌더링(selective rendering). 이 두 전략을 적응적으로 교차 적용함으로써, TemporalGS는 어떠한 학습 없이도 3DGS 렌더링 속도 향상을 위한 단순하면서도 효과적인 플러그앤플레이 솔루션을 제공합니다. 광범위한 실험을 통해 TemporalGS가 기존 최신 사후 학습 또는 후처리 기반 3DGS 렌더링 가속 방식과 비슷하거나 더 나은 성능을 달성함을 보입니다. TemporalGS는 경쟁력 있는 렌더링 품질을 유지하면서 다양한 3DGS 방법의 렌더링 속도를 최대 1.48배까지 대폭 향상시킵니다. 또한 알고리즘의 이식성을 보여주기 위해 TemporalGS를 하드웨어 래스터화 기반 3DGS로 확장합니다.

arXiv:2606.21244v1cs.CV

ACE-GS: 정확하고 압축적이며 효율적인 3D Gaussian Splatting으로 트레이드오프 극복

ACE-GS: Acing the Trade-off with Accurate, Compact and Efficient 3D Gaussian Splatting

3D Gaussian Splatting은 탁월한 실시간 렌더링을 달성하지만, 상당한 연산 및 저장 요구량이 광범위한 배포를 저해한다. 기존 가속 패러다임은 빠른 수렴을 위해 primitive를 공격적으로 가지치기하는 경우가 많아 고주파 세부 정보의 심각한 손실을 초래한다. 이를 해결하기 위해, 우리는 탁월한 렌더링 품질과 초고속 재구성 속도를 동시에 달성하는 근본적 문제에 착수한다. 본 논문에서는 정확하고 압축적이며 효율적인 장면 표현을 위해 설계된 점진적 최적화 프레임워크인 ACE-GS를 제안한다. 정밀한 primitive 관리가 이 트레이드오프를 깨는 핵심임을 확인한다. 따라서 우리는 먼저 모멘텀 일관성 기반 densification 전략을 설계하여, primitive 성장을 실제 기하 매니폴드 위로 엄격히 제한함으로써 연산 낭비를 피하면서 수렴을 크게 가속한다. 이 효율적인 초기화를 기반으로, 통계적 민감도 기반 sparsification 메커니즘을 도입하여 중복 primitive를 정밀하게 가지치기하고 더욱 압축된 풋프린트를 달성한다. 마지막으로, 앞서 언급한 엄격한 primitive 제어로 인한 미세 구조 손실 위험을 충분히 보상하기 위해, 고주파 오류 에너지를 primitive 속성에 명시적으로 재주입하는 교차 차원 잔차 주파수 보상 방식을 도입하여 선명한 기하 세부를 완벽하게 복원한다. 광범위한 실험을 통해 우수성을 검증한다. 매우 압축적인 장면 표현을 유지하면서, 우리 시스템은 고속 프레임워크 Speedy-Splat 대비 최대 3.7배의 학습 가속을 달성한다. 수렴에 3~5분만 필요한 ACE-GS는 최고 수준의 구조적 유사도를 확보하고, 원본 3DGS 대비 PSNR이 최대 0.89 dB 향상되는 정점 성능을 달성하여, 초고속·고충실도 신규 시점 합성(novel view synthesis)의 새로운 벤치마크를 제시한다.

arXiv:2605.17557v2cs.GR

실시간 신경망 기반 헤어 디노이징

Real-Time Neural Hair Denoising

우리는 심각하게 언더샘플링된 래스터화된 입력으로부터 스트랜드 기반 헤어 G-버퍼(G-Buffer)를 재구성하는 경량의 실시간 방법을 제안합니다. 우리의 파이프라인은 먼저 신경망 공간 재구성과 시간적 누적을 적용하여 헤어 커버리지(coverage), 즉 픽셀 내 헤어의 분수적 가시성과 탄젠트(tangent)를 복원합니다. 그런 다음 탄젠트 유도 재구성 단계를 사용하여 위치를 완성하며, 이는 이후 물리 기반 지연 헤어 셰이딩에 사용됩니다. 우리는 정적 및 동적 시나리오 모두에서 곧은 머리, 웨이브, 애프로, 포니테일 스타일을 포함한 다양한 헤어스타일에 대해 우리의 방법을 평가합니다. 우리의 방법은 기존의 헤어 전용 디노이징 기술 및 DLSS와 FSR과 같은 일반적인 산업용 신경망 재구성 솔루션보다 더 높은 헤어 재구성 품질을 달성합니다.