불완전한 전송 환경에서의 동적 가우시안 스플래팅을 위한 렌더링 가능한 부분 표현 (Renderable Partial

동적 가우시안 압축 (Dynamic Gaussian compression)은 통상적으로 완전한 파일이나 완전한 점진적 접두사 (progressive prefixes)에 최적화되어 있지만, 대화형 렌더링 (interactive rendering)은 부분적인 표현 (partial representations)에 직면합니다. 즉, 일부 시공간 영역은 존재하지만 다른 영역은 누락되어 있으며, 늦은 정밀화 (refinements)는 이미 표시된 프레임에 영향을 미칠 수 없습니다. 우리는 불완전한 전송 상태가 직접 렌더링 가능하며, 그 열화 (degradation)가 이미지 공간에서 최적화되는 동적 가우시안 표현 (dynamic Gaussian representations)을 연구합니다. 가우시안 프리미티브 (Gaussian primitives)는 베이스 레벨과 3개의 정밀화 단계로 구성된 독립적으로 주소 지정 가능한 시공간 클러스터 (spatiotemporal clusters)로 조직됩니다. 학습 샘플은 부분 의존성 그래프 (partial dependency graphs)를 학습하고, 하나의 GPU 배치 내에서 많은 반사실적 상태 (counterfactual states)를 렌더링하며, 기대 왜곡 (expected distortion), 꼬리 왜곡 (tail distortion), 시간적 불일치 (temporal inconsistency), 비트레이트 (rate), 그리고 접두사 회귀 (prefix regressions)를 최소화합니다. 반사실적 유틸리티 레이어 (counterfactual utility layer)는 유효한 수신자 컨텍스트 (receiver contexts) 전반에 걸쳐 각 완성 그룹 (completion group)의 한계 렌더링 기여도 (marginal render contribution)를 측정합니다. 동일한 그래프는 MTU 제한 엔트로피 코딩된 청크 (entropy-coded chunks), 마감 시간 인지 스케줄링 (deadline-aware scheduling), 그리고 수신자 측 의존성 폐쇄 (receiver-side dependency closure)를 갖는 구체적인 전송 구현을 허용합니다. 홀드아웃 뷰 (held-out views)에서, 가장 미세한 정밀화는 3/32 D-NeRF bouncingballs, 49/64 HyperNeRF broom2, 28/64 HyperNeRF chicken 클러스터에서 음의 평균 한계 유틸리티 (negative mean marginal utility)를 보였습니다. 하위 꼬리 유틸리티 (lower-tail utility)는 각각 21/32, 61/64, 42/64 클러스터에서 음수였습니다. broom2의 경우, 렌더링 유틸리티 순서 지정 (render-utility ordering)은 동일한 바이트 예산에서 명목상 레이어 순서 (nominal layer order)에 의해 발생하는 PSNR 회귀를 모두 제거했습니다. chicken의 경우, 분리된 학습 카메라에서 측정된 유틸리티는 가장 낮은 매칭 예산에서 홀드아웃 PSNR을 3.03 dB 개선했습니다. 이러한 범위 제한적 결과는 왜 명목상의 정밀화 순서가 렌더링 조건부 유틸리티 (render-conditioned utility)를 대체할 수 없는지를 보여줍니다. 이 공식화는 네트워크 전송을 그래픽 코덱 (graphics codec)의 외부 래퍼 (external wrapper)가 아니라, 렌더링 가능한 장면 상태 (renderable scene states)에 대한 분포로 취급합니다.