구조 인식 기반 밀도화를 통한 더 빠른 3D Gaussian Splatting 수렴

3D Gaussian Splatting 은 실시간 새로운 관점 합성 (novel-view synthesis) 을 위한 강력한 장면 표현으로 부상했습니다. 그러나 표준적인 적응형 밀도 제어는 스크린 공간 위치 기울기 (screen-space positional gradients) 에 의존하는데, 이는 기하학적 오정렬과 주파수 앨리어싱을 구별하지 못하여 고주파 텍스처를 과도하게 흐리게 하거나 비효율적인 과밀도화 (over-densification) 를 초래하는 경우가 많습니다. 우리는 구조 인식 기반 밀도화 프레임워크 (structure-aware densification framework) 를 제안합니다. 우리의 핵심 통찰은 가우시안을 분할 (subdivide) 하는 결정이 해당 가우시안이 표현하려는 텍스처의 국부적 구조와 투영된 스크린 공간 확장 범위 사이의 명시적인 비교에 의해 주도되어야 한다는 것입니다. 우리는 각 픽셀에서 지배적인 주파수를 추정하기 위해 구조 텐서 (structure tensors) 와 라플라시안 스케일 공간 분석 (Laplacian scale space analysis) 을 결합한 다중 스케일 주파수 분석을 도입하여 다양한 텍스처 스케일에 걸쳐 견고한 지도 신호를 제공합니다. 이 분석을 바탕으로, 우리가 $η$라고 정의하는 각 가우시안 및 각 축별 주파수 위반 메트릭 (frequency violation metric) 을 제시합니다. 이 메트릭은 원본이 국부적 텍스처 세부 사항을 충분히 해결하지 못할 때를 나타냅니다. 등방성 분할 (isotropic splitting, 예를 들어 각 가우시안을 동일한 모양으로 두 개의 더 작은 것으로 분할하는 방법) 을 수행하는 기존 방법들과 달리, 우리의 접근법은 비등방성 분할 (anisotropic splitting) 을 수행합니다. $η$가 높은 각 축에 대해 국부 주파수 내용을 더 잘 해결하기 위해 분할 계수를 계산합니다. 우리는 또한 여러 관점 (views) 에 걸쳐 $η$관찰을 집계하는 다관점 일관성 기준 (multiview consistency criterion) 을 추가로 도입합니다. 초기 단계에서 더 빠르고 밀도화를 수행함으로써, 베이스라인 방법이 요구하는 긴 반복적 밀도화 단계를 건너뛰고 현저히 빠른 수렴을 달성합니다. 표준 벤치마크에 대한 실험 결과, 우리의 방법은 특히 고주파 영역에서 우수한 재구성 품질을 달성함이 입증되었습니다.