PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.23606v1cs.CV

UV 매핑을 넘어: 표면 정렬 텍스처 필드를 통한 메시 텍스처 압축

Beyond UV Mapping: Mesh Texture Compression via Surface-Aligned Texture Fields

메시 텍스처 압축은 일반적으로 2D UV 아틀라스에 의존하며, 차트 불연속성과 매핑 오버헤드가 코딩 효율을 제한할 수 있다. 이에 대응하여 메시 표면에서 파생된 sparse voxel에 텍스처 속성을 배치하는 표면 정렬 텍스처 필드(surface-aligned texture field)인 TexF를 제안한다. 이 표현은 고해상도 텍스처를 지원하면서 압축을 위한 국소 3D 상관관계를 보존하고 직접적인 표면 쿼리를 가능하게 한다. 비트스트림 압축에서는 TexF가 기존 3D 속성 코덱을 재사용하며, voxel 위치는 별도 전송 없이 디코딩된 메시로부터 재구성된다. GPU 상주(GPU-resident) 압축을 위해 양자화된 hash feature와 경량 디코더를 결합하여 표면 위치에서 임의 접근(random-access) 재구성을 수행하는 3DNTC를 개발한다. 미분 가능 렌더링(differentiable rendering)을 통해 voxel 속성과 압축된 신경 필드 모두에 대한 이미지 공간(image-space) 정제가 가능하다. MPEG 및 AOM 메시 압축 벤치마크 실험에서 비트스트림 및 GPU 상주 압축 모두에 대해 대표적인 UV 기반 방법 대비 평균 rate-distortion 성능이 향상됨을 보였으며, 3DNTC는 실시간 렌더링도 지원한다.

arXiv:2607.14513v1cs.CV

GPU 친화적 그래픽스 텍스처 코딩을 이용한 3D Gaussian Splatting 데이터 압축

Compression of 3D Gaussian Splatting Data Using GPU-friendly Graphics Texture Coding

이미지 컬렉션으로부터 3D 장면을 모델링하는 기법(예: 3D Gaussian Splatting, 3DGS)은 시점 의존적(view-dependent) 외형을 갖는 그래픽스 프리미티브를 활용하여 고품질의 새로운 시점(novel view)을 생성할 수 있다. 3DGS에서는 시점 의존적 색상을 모델링하기 위해 구면 조화(spherical harmonic, SH)가 사용되며, 이로 인해 프리미티브당 다수의 SH 계수가 필요하고 메모리 요구량이 커진다. 이 문제를 완화하기 위해 압축 접근법들이 제안되었지만, 병렬 디코딩 및 렌더링을 위한 현대 그래픽 처리 장치(GPU)의 기능을 활용하지 못한다. 본 논문에서는 효율적인 병렬 GPU 디코딩을 위해 특별히 설계되었고 전용 하드웨어 가속을 지원하는 텍스처 압축 방식을 사용하여 SH 색상 계수를 압축하는 방법을 제안한다. 이러한 방법들이 프리미티브를 색상에 따라 국소적으로 그룹화하고 재정렬할 수 있다는 점을 활용하여 2D 텍스처보다 색상 계수를 더 효과적으로 압축할 수 있음을 보인다. 또한 무작위 접근(random access)을 유지하는 비트레이트(bit-rate) 제어 전략을 도입하여, 렌더링 성능을 저해하지 않으면서 대규모 병렬화를 가능하게 한다. BC1 및 BC7 텍스처 압축 포맷을 사용한 실험 결과, GPU 기반 디코딩을 통해 렌더링된 3DGS 장면의 시각적 품질에서 무시할 수 있거나 지각상 구별할 수 없는 저하만으로 달성할 수 있음을 보여준다.

arXiv:2606.26913v1cs.GR

하이퍼네트워크를 이용한 신경 텍스처 압축

Neural Texture Compression using Hypernetworks

최근 신경 텍스처 압축 연구는 물리 기반 셰이딩 모델의 입력을 재현하기 위해 셰이딩 과정에서 실시간으로 디코딩할 수 있는 소규모 재질별 텍스처 표현—잠재 텍스처와 소규모 다층 퍼셉트론(MLP) 디코더로 구성—을 학습할 수 있음을 보였다. 그러나 기존 방법은 주어진 MLP와 잠재 구성에 대해 재질마다 그래디언트 하강 최적화를 수행해야 한다. 본 연구에서는 잠재 특징과 MLP의 가중치 및 편향을 모두 출력하는 단일 하이퍼네트워크를 학습한다. 해 공간은 고차원이지만, 이 접근법은 현재 기준 신경 텍스처 압축기와 품질 면에서 유사한 결과를 낸다. 또한 이 접근법을 확장하여 여러 디코더를 한 번에 추론하거나 초해상화(super-resolution)를 학습하는 디코더를 생성할 수 있게 한다.