적응형 밀도화 (Adaptive densification)는 3D Gaussian Splatting (3DGS)의 핵심 엔진입니다. 그러나 이를 최적화 기반의 생성적 증류 (Generative Distillation) 패러다임으로 전환했을 때, 이러한 재구성 중심의 메커니즘은 근본적인 한계를 드러내며, 결과적으로 중복된 프리미티브 (primitives)로 가득 찬 비효율적인 표현을 초래합니다. 우리는 이러한 실패를 생성적 가이드 (generative guidance)의 확률적 특성에서 기인하는 '밀도화 딜레마 (Densification Dilemma)'로 진단합니다. 즉, 표준적인 크기 기반 누적 (magnitude-based accumulation) 방식은 기하학적 신호 (geometric signals)와 함께 일시적인 노이즈를 무차별적으로 집계하여, 과도한 밀도화 (over-densification)와 과소 적합 (under-fitting) 사이의 균형을 맞추기 어렵게 만듭니다.

이를 해결하기 위해, 우리는 밀도화를 통계적으로 근거가 있는 신호 검증 문제로 재해석하는 새로운 프레임워크인 문맥 적응형 모멘트 추정 (Context-Adaptive Moment Estimation, CAdam)을 소개합니다. CAdam은 그래디언트 (gradients)의 1차 모멘트 (first moment)를 활용하여 간섭 원리 (interference principle)를 이용합니다. 여기서 확률적 변동은 상쇄 간섭 (destructive interference)을 통해 상쇄되는 반면, 일관된 기하학적 드리프트 (geometric drifts)는 보강 간섭 (constructive interference)을 통해 누적되어, 생성적 노이즈 플로어 (generative noise floor)로부터 기저의 신호를 효과적으로 분리해냅니다. 이는 분위수 기반의 문맥 인식 (quantile-based context awareness)과 내재적인 신호 대 잡음비 (Signal-to-Noise Ratio, SNR) 게이팅 메커니즘에 의해 더욱 강화되며, 이를 통해 최적화 단계 전반에 걸쳐 견고한 적응을 보장하고 밀도화의 소프트 종료 (soft termination)를 가능하게 합니다.

다양한 목적 함수 (SDS, ISM, VFDS) 및 강력한 생성적 3DGS 백본 (backbones)에 대한 광범위한 실험 결과, CAdam은 전반적인 지각 품질 (perceptual quality)을 유사하게 유지하면서도 표준 밀도화 방식 대비 Gaussian 개수를 85%-97% 감소시킴을 보여주었습니다. 이러한 결과는 신호 인식 밀도 제어 (signal-aware density control)가 최적화 기반 생성적 증류에서 메모리 효율성을 개선하는 실질적인 방법임을 강조합니다.