사후 학습 사전 학습 (Post-Training Dictionary Learning)을 통한 더 작고 빠른 3DGS

3D Gaussian Splatting (3DGS)은 실시간 렌더링을 위한 유망한 신경 장면 표현 (neural scene representation)이지만, 학습된 모델은 종종 큰 메모리 점유율 (memory footprints)로 인해 성능이 낮은 장치에서의 배포가 제한됩니다. 기존의 압축 기술들은 종종 여러 개의 추가적인 학습 가능한 파라미터 (trainable parameters)를 가진 아키텍처를 초래합니다. 뛰어난 압축률을 달성하면서도, 이들은 이미지 품질의 눈에 띄는 저하를 유발합니다. 본 연구에서는 3DGS를 위한 최초의 사전 학습 기반 (dictionary-learning-based) 압축 프레임워크를 소개합니다. 제안된 사후 학습 압축 파이프라인 (post-training compression pipeline)은 기존 3DGS 모델을 재학습하거나 수정할 필요 없이 사실상 모든 3DGS 모델에 배포될 수 있습니다. 우리의 압축 프레임워크는 구현이 간단하면서도 상당한 압축 능력을 제공하며, 이미지 품질을 보존하고 실시간 렌더링 성능을 향상시킵니다. 13개의 벤치마크 장면 전반에 걸쳐, 우리의 방식은 3DGS, 3DGS-MCMC, 그리고 PixelGS에 각각 적용되었을 때 평균 3.95배, 3.10배, 4.55배의 압축률을 달성했습니다. 이는 이미지 품질을 유지하면서도 23.3%, 24.3%, 25.3%의 일관된 렌더링 속도 향상을 가져옵니다.