Gaussian Stippling: 하이브리드 샘플링 및 시공간 재구성을 통한 효율적인 정렬 불필요 3D 가우시안 렌더링

기존의 3D Gaussian Splatting (3DGS)은 중첩된 가우시안 프리미티브를 정확하게 렌더링하기 위해 깊이 정렬(depth sorting)과 순서가 있는 알파 블렌딩(ordered alpha blending)을 필요로 합니다. 확률적 투명도(Stochastic transparency)는 분수형 알파 기여도를 이산적인 확률적 가시성 샘플(discrete stochastic visibility samples)로 대체함으로써 정렬이 필요 없는 렌더링을 가능하게 하지만, 낮은 샘플 수에서는 상당한 공간적 및 시간적 노이즈를 발생시킵니다. 우리는 이러한 연속적인 가우시안 슬랫(Gaussian splats)에서 이산적인 가시성 샘플로의 변환을 extit{Gaussian Stippling}이라고 부릅니다. 이를 기반으로, 우리는 수정되지 않은 3DGS 에셋에 직접 작동하는 효율적이고 순서 독립적인 렌더링 및 재구성 프레임워크를 제시합니다. 저희 방법은 프리미티브 기반(primitive-based)과 프래그먼트 기반(fragment-based) 스티플링을 적응적으로 통합하여, 서로 다른 렌더링 영역 전반에 걸쳐 이들의 상보적인 강점을 활용함으로써 렌더링 처리량(rendering throughput)을 크게 향상시킵니다. 희소한 확률적 샘플로부터 고품질 이미지를 복구하기 위해, 우리는 또한 경량의 가우시안 인식 시공간 재구성 네트워크(Gaussian-aware spatiotemporal reconstruction network)를 도입합니다. 이 네트워크는 각 스티플이 유지하는 가우시안 속성을 활용하여 공간과 시간 모두에 걸쳐 구조화된 확률적 단서들을 집계함으로써, 스티플링 노이즈를 효과적으로 억제합니다. 실험 결과에 따르면, 다양한 장면에 대해 학습된 시공간 재구성 네트워크와 결합된 저희의 하이브리드 가우시안 스티플링 방법은 미지의 장면에 일반화되며, 추가적인 재학습이나 전처리가 필요 없이 모바일 기기에서 상호작용적이고 시간적으로 안정하며 시각적으로 그럴듯한 렌더링을 가능하게 합니다. 장면별 학습과 적절하게 조정된 샘플링 및 네트워크 용량(network capacity)을 통해, 저희 방법은 시각적 품질 면에서 베이스라인보다 더 우수한 성능을 보여주며, 품질 우선순위가 높은 애플리케이션에 고충실도 구성을 제공합니다.