과학적 시각화(scientific visualization)에서 대규모 희소 볼륨 데이터(sparse volumetric data)를 효율적으로 표현하고 렌더링하는 것은 여전히 어려운 과제로 남아 있습니다. 의미 있는 구조가 공간 영역의 아주 작은 부분만을 차지하는 경우가 많기 때문입니다. 직접 볼륨 렌더링 (Direct Volume Rendering, DVR)은 고품질의 시각화를 제공하지만, 계산 및 메모리 비용이 데이터 크기에 따라 급격히 증가합니다. 최근 3D 가우시안 스플래팅 (3D Gaussian Splatting, 3DGS)의 발전은 볼륨 장면을 압축된 기하학적 프리미티브 (geometric primitives)로 표현함으로써 이 문제를 해결하고, 효율적이며 고충실도의 렌더링을 가능하게 합니다. 그러나 기존의 3DGS 기반 방식들은 원본 볼륨이 아닌 DVR로 렌더링된 이미지로부터 학습하기 때문에 정보 손실이 발생하며, 상호작용적인 탐색을 위한 유연한 전이 함수 (transfer function) 제어가 제한됩니다. 이러한 한계를 해결하기 위해, 우리는 3D 공간에서 볼륨 데이터를 직접 학습하고 렌더링하는 타원체 기반 희소 볼륨 렌더링 프레임워크인 ESVR을 제안합니다. 우리의 방법은 유계 지지 (bounded support)를 가진 미분 가능한 타원체 프리미티브, 상호 보완적인 가지치기 (pruning)를 포함한 구조 인식 프리미티브 학습, 그리고 빠르고 정확한 전이 함수 매핑을 위한 프리미티브별 레이 샘플링 (per-primitive ray sampling) 전략을 결합합니다. 대규모 데이터셋을 지원하기 위해, 우리는 학습 중에 경계 컨텍스트를 제공하는 고스트 타원체 (ghost ellipsoids)를 포함한 청크 기반 최적화 (chunk-based optimization) 기법을 추가로 도입합니다. 대규모 희소 데이터셋 전반에 걸쳐, ESVR은 경쟁력 있는 재구성 품질을 유지하면서도 최대 4자릿수(four orders of magnitude)의 압축률과 43-223 FPS의 실시간 렌더링을 달성합니다.