GLoD-LVSM: 대규모 뷰 합성 모델을 위한 기하학 기반 연속 LoD 장면 표현 학습

요약

본 논문은 대규모 뷰 합성 모델(LVSM)의 토큰 중복성 문제를 해결하기 위해 기하학 기반 연속 LoD 장면 표현인 GLoD-LVSM을 제안합니다. GLoD-LVSM은 유연한 수의 앵커를 학습하는 연속 필드를 사용하며, 기하학적 어텐션을 통해 압축 및 디코딩 품질을 개선했습니다. 이 모델은 기존 대비 품질 손실 없이 토큰 수를 대폭 줄이고 렌더링 속도를 크게 향상시키는 우수한 트레이드오프를 보여줍니다.

핵심 포인트

• GLoD-LVSM은 연속 필드를 학습하여 유연한 장면 표현을 제공합니다.
• 기하학 기반 어텐션으로 압축 및 디코딩 품질을 개선했습니다.
• 토큰 수를 줄이고 렌더링 속도를 크게 가속화하는 우수한 효율성을 달성했습니다.
• 장면 의미론적 이해 등 다양한 다운스트림 작업에 활용 가능합니다.