3D Gaussian Splatting (3DGS)은 실시간 새로운 시점 합성 (novel view synthesis)을 위한 선도적인 기술로 부상했으나, 기존의 3DGS 가속기들은 열악한 아키텍처 확장성 (architectural scalability) 문제를 겪고 있습니다. 즉, PE (Processing Element)의 수를 늘려도 렌더링 중 성능 향상이 미미합니다. 우리는 그 근본 원인이 밀접하게 결합된 "blending 중 checking" (checking-while-blending) 데이터플로우(dataflow)에 있음을 확인했습니다. 이는 불규칙한 Gaussian 커버리지로 인한 공간적 중복성 (spatial redundancy)과 병렬 실행 시 비동기적인 픽셀 단위 종료 (asynchronous pixel-wise termination)로 인한 시간적 중복성 (temporal redundancy) 때문에 발생하는 PE 활용도 저하를 악화시킵니다.

이 문제를 해결하기 위해, 우리는 효율적인 3DGS 추론 (inference)을 위한 확장 가능한 아키텍처인 DeGS를 제안합니다. 렌더링에 내재된 중복성을 체계적으로 제거하기 위해, DeGS는 분리된 데이터플로우 (decoupled dataflow)를 활용하여 표준 렌더링 프로세스의 결합된 $\alpha$-checking, 투과율 확인 (transmittance checking), 그리고 $\alpha$-blending을 연속적인 워크로드 파싱 (workload parsing), 재구성 (reorganization), 그리고 블렌딩 (blending) 단계로 재구조화합니다. 이를 통해 파편화되고, 길이가 가변적이며, 시간에 의존적인 워크로드들을 블렌딩 이전에 조밀하고, 충돌이 없으며, 밀집된 워크로드로 재구성할 수 있으며, 결과적으로 병렬 블렌딩 중 PE 활용도를 크게 향상시킵니다.

28 nm 공정 기술로 구현된 DeGS는 다양한 장면과 해상도 (720p에서 8K까지)에 걸쳐 최첨단 3DGS 가속기들 (GSCore, GBU, GCC) 대비 2.36$\times$--7.25$\times$의 처리량 (throughput), 1.82$\times$--6.02$\times$의 엔드 투 엔드 (end-to-end) 속도 향상, 그리고 1.59$\times$--4.42$\times$의 에너지 효율을 달성합니다. 또한, 16개에서 1024개의 PE로 확장하더라도 DeGS는 고해상도에서 80% 이상의 PE 활용도를 유지하며, 기존 가속기들을 크게 능가합니다.