3D 룩업 테이블 (3D LUTs)은 색상 매핑 (color mapping)에 널리 사용되지만, 그리드 기반 (grid-based) 표현 방식은 RGB 공간을 이산화 (discretizing)해야 하므로, 수많은 LUT를 저장할 때 용량과 메모리 사이의 트레이드오프 (trade-off) 문제가 발생하여 비용이 매우 커집니다. 최근의 접근 방식들은 확장성을 개선하기 위해 암시적 신경 표현 (implicit neural representations)을 채택하고 있으나, 이러한 방식의 블랙박스 (black-box) 특성은 해석 가능성 (interpretability)을 제한하고 직관적이고 국소적인 편집 (localized editing)을 방해합니다. 본 논문에서는 학습 가능한 3D 가우시안 프리미티브 (Gaussian primitives) 세트를 사용하여 색상 변환을 모델링하는 연속적이고 명시적인 색상 표현 방식인 Gaussian LUT (GLUT)를 제안합니다. GLUT는 고정된 해상도의 그리드를 피함으로써, 컴팩트한 메모리 점유율 (memory footprint)을 유지하면서도 유연한 표현 용량 (representational capacity)을 달 수 있습니다. 또한, GLUT의 명시적이고 공간적으로 국소화된 (spatially localized) 공식은 정확한 모델링과 해석 가능성을 모두 가능하게 합니다. 이 표현 방식을 기반으로, 우리는 여러 LUT 인스턴스에 대한 GLUT 파라미터를 예측하는 컴팩트한 조건부 생성기 (conditional generator, CGLUT)를 도입하여, 단일 프레임워크 내에 다양한 색상 스타일을 인코딩함으로써 매끄럽고 제어 가능한 LUT 스타일 블렌딩 (style blending)을 가능하게 합니다. 또한, GLUT는 전역적인 재학습 (global retraining) 없이도 특정 색상 영역에 대한 국소적 조정을 허용함으로써 효율적이고 사용자 친화적인 편집을 지원합니다. 실험 결과에 따르면, 우리의 접근 방식은 정확도와 효율성 측면 모두에서 이전의 신경 LUT 표현 방식보다 뛰어난 성능을 보였으며, 개선된 해석 가능성과 상호작용 제어 (interactive control)를 제공함을 입증하였습니다.