실제 사물로부터 재조명(Relightable) 가능한 3D 에셋을 캡처하는 것은 널리 연구되고 있는 문제입니다. 3D 가우시안 스플래팅 (3DGS)에 기반한 여러 장면별 최적화 (Per-scene optimization) 방식들이 재조명을 지원하지만, 이들은 대개 조밀한 입력 뷰 (Dense input views)를 요구하며, 과적합 (Overfitting) 특성으로 인해 장면 간 일반화가 어렵습니다. 장면별 최적화 방식과 달리, 일반화된 피드포워드 (Feed-forward) 모델은 희소한 입력 뷰 (Sparse input views)로부터 가우시안을 직접 재구성할 수 있습니다. 그러나 결과물인 에셋에는 조명이 구워져(Baked-in) 있어 재조명에 쉽게 사용할 수 없습니다. 본 논문에서는 희소 뷰 입력으로부터 재조명 가능한 3DGS 에셋을 직접 생성하는 피드포워드 프레임워크인 F-RNG를 제안합니다. 이러한 모델을 처음부터 학습시키는 것은 방대한 데이터와 컴퓨팅 자원을 요구할 수 있으며, 특히 수용 가능한 비용 내에서 피드포워드 방식으로 재조명 가능한 에셋을 생성하는 것은 매우 도전적인 과제입니다. 우리는 재조명 가능한 표현 (Relightable representations)을 추출하기 위해 기존의 대규모 재구성 모델 (LRM)을 기반으로 F-RNG를 개발하였으며, 동시에 내재적 분해 모델 (IDM)의 사전 지식 (Priors)을 활용합니다. 구체적으로, 먼저 LRM의 기하학적 표현 (Geometry representation)을 강화하기 위해 잠재 변수 보간 미세 기하학 합성 (Latent-interpolated fine-grained geometry synthesis)을 도입합니다. 둘째, IDM의 사전 지식을 통합하여 재조명 가능한 뉴럴 표현을 추출하는 사전 지식 가이드 재조명 가능 외관 증류 (Prior-guided relightable appearance distillation)를 제안합니다. 마지막으로, 범용 뉴럴 렌더러 (Universal neural renderer)를 통해 유연하고 고충실도의 재조명을 가능하게 합니다. F-RNG는 기반이 되는 LRM의 재학습이나 미세 조정 (Fine-tuning)을 필요로 하지 않으므로, 향후 더 나은 LRM 및 IDM의 이점을 자동으로 누릴 수 있습니다. 적절한 데이터와 컴퓨팅 자원으로 학습 가능한 작은 네트워크만을 사용하여, F-RNG는 서로 다른 조명 조건 하에서 대형 모델을 반복적으로 추론해야 하는 번거로움을 피할 수 있습니다. 최신 LRM 기반 재조명 방식과 비교했을 때, F-RNG는 약 25배 더 빠른 재조명 속도와 더 우수한 품질 (~+2.0 dB)을 달성합니다.