Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
3D 시점 합성 품질과 효율성을 높이기 위해 시점 의존적 2D 커널을 자동으로 학습하는 미분 가능한 프레임워크를 제안합니다. 투영 네트워크와 디코더를 통해 타원체 기반의 방사 대칭 2D 커널을 생성하며, 기존 최신 기술 대비 우수한 성능을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.GR (Graphics)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기우리는 새로운 3D 시점 합성 (Novel 3D View Synthesis)을 위한 재구성 품질과 표현 효율성을 향상시키기 위해, 스플래팅 (Splatting) 기반 파이프라인에서 시점 의존적 (View-dependent) 2D 커널을 자동으로 학습하는 미분 가능한 프레임워크를 제시합니다. 우리의 볼륨 프리미티브 (Volumetric primitive)는 경계 타원체 (Bounding ellipsoid)와 3D-커널 잠재 벡터 (3D-kernel latent vector)로 정의됩니다. 먼저, 타원체의 속성과 3D-커널 잠재 벡터를 입력으로 받아 2D-커널 잠재 벡터를 출력하는 투영 네트워크 (Projection network)를 학습합니다. 다음으로, 그 결과를 디코더 (Decoder)로 보내 투영된 타원체에 의해 제한되는 마할라노비스 거리 (Mahalanobis distance) 관점에서의 방사 대칭 (Radially symmetric) 2D 커널을 생성합니다. 신경망 (Neural networks)은 각 프리미티브 (Per-primitive) 속성과 함께 공동으로 최적화됩니다. 우리의 접근 방식의 효과는 표준 벤치마크에서 입증되었으며, 분석적 커널 (Analytical kernels) 및 학습된 커널 (Learned kernels) 모두에서 최신 기술 (State-of-the-art techniques)과 비교하여 우수한 성능을 보였습니다. 마지막으로, 우리는 이 아이디어를 2D 스플래팅 (2D splatting) 및 이미지 표현 (Image representation)을 위한 일반적인 2D 커널 학습으로 확장합니다.