Budgeted-GS: LOD 분해를 통한 실시간 대규모 가우시안 스플래팅

원문 발행 2026. 10. 02. 20:42원문 언어 영어AI 한국어 번역arXiv cs.GR (Graphics) 원문 보기

요약

본 논문은 대규모 도시 환경에서 3D Gaussian Splatting(3DGS)의 적용 한계를 극복하기 위한 후처리 방법인 Budgeted-GS를 제안합니다. 이 방법은 학습된 모델을 다중 해상도 계층 구조로 변환하여, 다양한 메모리 용량의 소비자용 GPU에서도 실시간 렌더링이 가능하게 합니다. 또한, 예산 중심 훈련 방식을 도입하여 불필요한 프리미티브 생성을 줄이고 효율적인 모델 구축을 목표합니다.

핵심 포인트

Budgeted-GS는 대규모 3DGS 모델을 계층 구조로 변환하여 메모리 제약을 해결합니다.
다양한 GPU 환경에서 동일한 도시 규모 모델의 실시간 렌더링을 가능하게 합니다.
예산 중심 훈련은 필요한 프리미티브 개수를 측정하여 학습 효율성을 높입니다.

3D Gaussian Splatting은 실시간 렌더링으로 뛰어난 시각적 품질을 달성하지만, 도시 전체 규모에서는 적용하기 어렵습니다. 학습된 모델이 수백만 개의 프리미티브와 기가바이트의 메모리를 차지하며, 소비자용 GPU에서 고품질로 실시간 렌더링하는 것은 여전히 어려움이 있습니다. 우리는 Budgeted-GS라는 후처리(post-hoc) 방법을 소개합니다. 이 방법은 모든 학습된 3DGS 모델을 순간 일치(moment-matched) 집계물들의 다중 해상도 계층 구조인 분해 트리(factoring tree)로 변환합니다. 몇 초간의 구성 패스(construction pass)를 거친 후, 단일 품질 매개변수(quality parameter)가 각 뷰에 대해 대상 장치의 메모리에 맞는 디테일 수준을 선택하여, 동일한 도시 규모 모델이 광범위하게 다른 메모리 용량을 가진 GPU에서도 사용 가능하도록 합니다. 새로운 장면을 학습할 때도 같은 이론이 적용됩니다. 전체 크기의 모델을 성장시킨 후 압축하는 대신, 예산 중심 훈련(budget-centered training)은 먼저 장면에 필요한 프리미티브의 개수를 측정하고 그 크기에서 직접 모델을 학습시켜, 나중에 폐기될 프리미티브를 최적화하는 데 드는 불필요한 노력을 방지합니다. 두 방법 모두 위상 공간(phase space)에서의 최적 수송(optimal transport)으로부터 파생된 '예산-오차 법칙(budget-error law)'이라는 측정 가능한 용량 하한선에 기반을 두고 있습니다. 최근의 커버링 정리(covering theorems)에 의해 인증되는 선택 규칙이 어떤 프리미티브가 중복되는지 결정합니다. 이 하한선은 장면이 실제로 얼마나 많은 프리미티브를 필요로 하는지, 그리고 안전하게 포기할 수 있는 것이 얼마나 되는지를 알려줍니다. 우리는 등록된 프로토콜(preregistered protocol)에 따라 13개의 공개 장면에서 이 하한선을 검증했으며, 오브젝트 장면부터 공식적인 도시 촬영까지 두 가지 방법을 모두 활용하여, 소비자용 GPU 하나에서 네이티브 1920x1080, 전체 SH(Spherical Harmonics), 실시간으로 렌더링했습니다.

AI 자동 생성 콘텐츠

원문 바로가기

Budgeted-GS: LOD 분해를 통한 실시간 대규모 가우시안 스플래팅

요약

핵심 포인트

댓글