Beyond Gaussians: Fast and High-Fidelity 3D Splatting with Linear Kernels
원문 초록
Recent advancements in 3D Gaussian Splatting (3DGS) have substantially improved novel view synthesis, enabling high-quality reconstruction and real-time rendering. However, blurring artifacts, such as floating primitives and over-reconstruction, remain challenging. Current methods address these issues by refining scene structure, enhancing geometric representations, addressing blur in training images, improving rendering consistency, and optimizing density control, yet the role of kernel design remains underexplored. We identify the soft boundaries of Gaussian ellipsoids as one of the causes of these artifacts, limiting detail capture in high-frequency regions. To bridge this gap, we introduce 3D Linear Splatting (3DLS), which replaces Gaussian kernels with linear kernels to achieve sharper and more precise results, particularly in high-frequency regions. Through evaluations on three datasets, 3DLS demonstrates state-of-the-art fidelity and accuracy, along with a 30% FPS improvement over baseline 3DGS. The implementation will be made publicly available upon acceptance.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
SalientGS: 중요도 기반 MCMC 가우시안 할당을 통한 통합 SfM-to-3DGS 파이프라인
SalientGS: Unified SfM-to-3DGS with Importance-Guided MCMC Gaussian Allocation
비순서 이미지에서 3D 장면을 복원하는 작업은 고비용의 구조 복원(Structure-from-Motion, SfM) 전처리와 고정된 포즈 인터페이스로 인해 여전히 병목 현상이 발생한다. 우리는 통합 SfM-to-3D 가우시안 스플래팅(3DGS) 파이프라인인 SalientGS를 제안한다. 핵심 기여는 중요도 기반 마르코프 연쇄 몬테카를로(MCMC) 가우시안 할당으로, 다중 시점 잔차를 가우시안별 과소적합(underfit) 및 중복(redundancy) 신호로 집계한다. 이 신호들은 생성(birth)과 재배치(relocation) 모두를 과소적합 영역으로 편향시키는 매끄러운 중요도 가중 샘플링 분포를 정의한다. 이를 통해 기저의 확률적 그래디언트 랑주뱅 다이나믹스(SGLD)를 변경하지 않고, 잘 적합된 영역에서 용량을 재할당한다. SalientGS는 15분 이내에 최첨단 지각적 품질로 엔드투엔드 복원을 달성한다. 보충 자료에는 장면별 정성적 비교 및 이미지별 학습된 지각적 이미지 패치 유사도(Learned Perceptual Image Patch Similarity, LPIPS) 분석에 대한 전용 섹션이 포함되어 있으며, 실패 사례도 다룬다. 코드 및 평가 스크립트는 https://github.com/Six-Bit-TX/SalientGS에서 확인할 수 있다.
SplatQ: 2차 선택을 통한 3D 가우시안 스플래팅의 상호작용 인지 가지치기
SplatQ: Interaction-Aware Pruning of 3D Gaussian Splatting via Quadratic Selection
기존의 3D 가우시안 스플래팅(3DGS) 가지치기(pruning) 방법들은 주로 독립적인 중요도 점수에 기반한 전역 Top-K 선택에 의존하여, 영역별 예산 제어가 부족하고 공동 삭제 효과를 무시합니다. 결과적으로 전체 장면에 걸쳐 균형 잡힌 재구성 품질을 보장하지 못합니다. 본 논문에서는 고정된 예산 하에서 영역별 예산 할당과 공동 가우시안 선택을 조율하는 조합 가지치기 알고리즘인 SplatQ를 제안합니다. SplatQ는 공간적 근접성과 외형 유사성을 기준으로 가우시안을 크기가 제한된 블록으로 분할하여, 전역 선택 문제를 특정 크기의 하위 문제들로 분해합니다. 그런 다음 중요도 기반의 블록 유지 할당량을 평활화하여 과도한 예산 집중을 방지합니다. 마지막으로 가우시안 불투명도 변화에 대한 대표 픽셀 색상의 반응을 활용하여 공동 삭제 효과의 2차 근사를 구성합니다. 개별 반응, 쌍별 상호작용 및 할당량 페널티는 2차 비제약 이진 최적화(QUBO) 목적 함수에 통합되며, 모의 담금질(SA) 또는 코히런트 이징 머신(CIM)을 사용하여 이를 해결함으로써 가우시안을 공동으로 선택합니다. 5개 벤치마크에 대한 실험을 통해 SplatQ가 종합적인 재구성 품질, 공간적 품질 균형, 렌더링 속도 측면에서 최신 가지치기 방법들보다 우수한 성능을 보임을 입증합니다. 절제 연구(ablation)를 통해 예산 평활화가 국소적인 세부 표현 재구성을 향상시키는 한편, 상호작용 모델링이 고정된 예산 하에서 가우시안 선택 품질을 향상시킴을 확인합니다.
MACRO: 클로즈업 렌더 최적화를 위한 학습 불필요 다중 평면 어텐션
MACRO: Training-free Multi-plane Attention for Closeup Render Optimization
학습 카메라보다 훨씬 가까이 장면을 확대하는 클로즈업 렌더링은 가상 제작과 인터랙티브 3D 콘텐츠에 중요하지만, 여전히 해결되지 않은 난제로 남아 있다. 3D Gaussian splatting(3DGS)은 고충실도 실시간 신규 시점 합성(novel view synthesis)을 가능하게 하지만, 근거리에서는 렌더링 품질이 저하된다. 학습 세트의 참조 이미지를 조건으로 렌더링을 향상시키는 최근 확산(diffusion) 기반 방법들은 이 설정에서 심각한 아티팩트를 생성한다. 우리는 이 실패를 분석하여 근본 원인을 규명한다: 클로즈업 뷰와 참조 뷰 간의 스케일 차이이다. 우리는 참조 조건부 향상 모델의 특징이 스케일 불변(scale-invariant)이 아님을 보이며, 이로 인해 동일한 내용이 서로 다른 스케일로 나타날 때 교차 뷰 어텐션(cross-view attention)이 잘못된 대응 관계를 검색하고, VAE 인코더가 스케일 등변(scale-equivariant)이 아니기 때문에 이 불일치를 잠재 공간에서 수정할 수 없음을 보인다. 이 분석을 바탕으로 우리는 MACRO(Multi-plane Attention for Closeup Render Optimization)를 소개한다. 이는 3DGS 기반의 고품질 클로즈업 신규 시점 합성을 위한 학습 불필요 방법이다. MACRO는 장면의 알려진 3D 구조를 활용하여 스케일 차이를 해소한다: 클로즈업을 깊이 평면으로 분해하고, 인코딩 전에 각 평면의 스케일에 맞게 이미지 공간에서 참조 이미지를 크롭하고 크기를 조정하며, 깊이 인식 어텐션 마스크를 적용하여 각 토큰이 스케일 일치 참조에만 어텐션하도록 한다. 이 방법은 아키텍처 변경이나 추가 학습을 필요로 하지 않는다. 우리는 또한 두 가지 새로운 클로즈업 신규 시점 합성 벤치마크와 이 설정에 대한 최초의 표준화된 평가 프로토콜을 기여하며, 두 벤치마크 모두에서 최신(state-of-the-art) 결과를 달성하여 재구성 및 지각적 메트릭 모두에서 기존 3DGS 및 확산 기반 방법들을 능가함을 보인다. 프로젝트 페이지: https://nitzanhod.github.io/MACRO
Instant NuRec: 주행 장면 시뮬레이션을 위한 피드포워드 3D Gaussian 재구성
Instant NuRec: Feed-Forward 3D Gaussian Reconstruction for Driving Scene Simulation
3D 시뮬레이션 플랫폼은 end-to-end 정책 평가(evaluation)를 가능하게 하여 개발 비용을 줄이고 안전성을 향상시키기 때문에 자율주행에 핵심적이다. 최근 몇 년간 신경 시뮬레이션이 주류가 되었고, NuRec와 같은 방법이 중심적인 역할을 하고 있다. 그러나 이러한 방법들은 여전히 상대적으로 느리고, 일반적으로 장면별 튜닝이 필요하다. 본 연구에서는 단일 순전파(forward pass)로 짧은 다시점(multi-view) 주행 로그를 완전히 시뮬레이션 가능한 3D Gaussian Splatting(3DGS) 세계로 변환하는 피드포워드 신경 재구성 모델인 Instant NuRec를 제안한다. 이 모델은 보정된 카메라 리그의 다시점 입력을 받아 정적 및 동적 3DGS 레이어, 스카이 큐브맵(sky cubemap), 카메라별 ISP 보정으로 구성된 계층적 출력을 생성하며, 3DGUT를 통해 비 핀홀(non-pinhole) 카메라 모델에 대한 네이티브 지원을 제공한다. 이 모델은 10–20초 길이의 다중 카메라 장면을 약 1.5초 만에 재구성하며, Waymo Open 데이터셋에서 평가된 가장 강력한 기준선보다 PSNR이 2.01 dB 높은 성능을 달성한다. Instant NuRec는 NuRec에 깊이 통합되어 있으며, 폐루프(closed-loop) 시뮬레이션을 위해 AlpaSim과 호환된다.
CD-RCM: 반사 공초점 현미경을 위한 일반화 가능한 연속 깊이 새로운 뷰 합성
CD-RCM: Generalizable Continuous-Depth Novel View Synthesis for Reflectance Confocal Microscopy
반사 공초점 현미경(RCM)은 연속적인 깊이에서 정면(en-face) 영상을 획득하여 희소한 z-스택을 형성함으로써 생체 내 인간 피부의 비침습적 세포 해상도 "광학 생검"을 제공한다. 광학적 한계로 인해 이러한 스택은 이방성 3D 볼륨이며, 측면 해상도(0.5 $\mu$m)가 광학 절편(3 $\mu$m)으로 정의되는 축 방향 해상도보다 약 6배 높아 조직 해석이 제한된다. 우리의 목표는 중간 단면을 보간하고 3D 볼륨을 등방성으로 만들어 연속 깊이 시각화를 제공하는 것이다. 이러한 표현은 환자별 최적화 없이도 조직병리와 유사한 단면 검사를 포함한 임의 방향 절단을 가능하게 한다. 이를 위해 희소하게 샘플링된 RCM 스택으로부터 현실적인 미관측 깊이를 예측하는 피드포워드 모델로서 최초의 RCM 특화 새로운 시점 합성(NVS) 접근법인 CD-RCM을 제안한다. 고전적인 신경 렌더링 기법은 표면 수준의 다중 시점 관측으로부터의 복원에 초점을 둔다. 표면 수준의 카메라 시점과 달리 RCM은 표면 아래 최대 200 $\mu$m까지 조직의 광학 절편 정면 영상을 획득할 수 있다. 그러나 RCM 스택을 시각화할 때 (표면에 가까운) 얕은 단면의 관측이 더 깊은 단면을 가린다. 이러한 고유한 축 방향 영상 기하와 층에 따른 해부학적 조직 특성은 RCM의 깊이 분해적이고 가림이 있는 영상 물리를 명시적으로 고려하는 맞춤형 구조 및 학습 프레임워크를 개발하는 동기가 되었다. 실험을 통해 CD-RCM이 1초 미만의 추론 시간으로 높은 충실도의 새로운 시점 합성을 달성함을 보인다.
SierpinskiCam: 시에르핀스키 삼각형 패턴 단서를 활용한 카메라 제어 비디오 리테이킹
SierpinskiCam: Camera-Controlled Video Retaking with Sierpinski Triangle Pattern Cues
단안 비디오에서 사용자 정의 카메라 궤적을 따라 장면의 새로운 렌더링을 생성하는 것은 비디오 리테이킹(video retaking)이라 불리며, 콘텐츠 제작 및 시각 효과에서 매력적이지만 어려운 문제입니다. 기존의 기하학 기반 접근법은 원본 비디오에서 4D 표현을 재구성하고 목표 궤적을 따라 렌더링하여 비디오 디퓨전 모델을 조건화합니다. 그러나 이 가이던스는 목표 카메라가 원본 궤적에서 멀어질수록 저하되어, 새롭게 드러난 영역이 희소하거나 완전히 누락되는 결과를 낳습니다. 우리는 이러한 제한을 해결하기 위해 SierpinskiCam을 제안합니다. SierpinskiCam은 큰 시점 변화에서도 추적 가능한 풍부한 특징을 포함하는 시에르핀스키 돔 텍스처 단서로 기하학 기반 가이던스를 보강합니다. 또한, 우리는 원본 비디오 토큰을 목표 토큰 시퀀스에 추가하고 음의 RoPE 인덱스로 두 스트림을 분리하는 참조 비디오 조건화 메커니즘을 도입하여, 아키텍처 수정이나 비디오별 적응 없이 외관 그라운딩(appearance grounding)을 가능하게 합니다. 광범위한 실험을 통해 SierpinskiCam이 다양하고 도전적인 리테이킹 시나리오에서 카메라 제어 가능성, 기하학적 일관성, 비디오 품질 면에서 상당한 향상을 달성함을 보여줍니다. 프로젝트 페이지: https://hyelinnam.github.io/SierpinskiCam/.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.