Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
L2D2-GS는 동적 도시 환경의 고충실도 재구성을 위한 새로운 피드포워드 가우시안 스플래팅 프레임워크를 제안합니다. 자기 지도 밀집화 정책과 기하학적 정규화 메커니즘을 통해 메모리 효율성과 재구성 품질을 동시에 개선했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.GR (Graphics)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기동적인 도시 환경의 고충실도 재구성 (High-fidelity reconstruction)은 자율 주행 시뮬레이션과 대규모 월드 모델링의 초석입니다. 3D 가우시안 스플래팅 (3D Gaussian Splatting, 3DGS)이 실시간 렌더링의 새로운 표준을 세웠지만, 장면마다 수행해야 하는 비용이 큰 최적화 (optimization)에 의존한다는 점은 확장성을 제한합니다. 반대로, 가우시안 파라미터를 추론하는 최근의 피드포워드 (feedforward) 방식들은 더 빠른 속도를 제공하지만 근본적인 병목 현상에 직면해 있습니다. 즉, 고해상도에서 메모리 사용량이 과도하게 많으며, 밀집된 다중 뷰 관측값 (multi-view observations)을 일관되게 융합하는 데 어려움을 겪습니다. 본 논문은 일반화 가능한 재구성을 단판 회귀 (one-shot regression)가 아닌, 최적화와 밀집화 (densification)의 견고한 반복 과정으로 재정의하는 통합 프레임워크인 L2D2-GS를 제시합니다. 프리미티브 (primitive) 생성 시 발생하는 감독 (supervision)의 모호성을 해결하기 위해, 우리는 전역 재구성 이득 (global reconstruction gains)으로부터 명시적인 보상 신호를 도출하여 국소적 밀집화를 가이드하는 자기 지도 밀집화 정책 (self-supervised densification policy)을 제안합니다. 또한, 재매개변수화 (reparameterization)를 활용하여 최적화 매니폴드 (optimization manifold)를 제약하고 좋지 않은 지역 최적점 (local optima)으로의 수렴을 방지함으로써, 기하학적 정규화 (geometric regularization) 메커니즘을 통해 초기 단계의 되돌릴 수 없는 아티팩트 (artifacts)를 완화합니다. PandaSet 및 Waymo 데이터셋에 대한 광범위한 실험을 통해, 우리의 방법론이 경쟁 베이스라인보다 더 적은 수의 프리미티브를 사용하면서도 최첨단 (state-of-the-art) 재구성 충실도와 강력한 제로샷 일반화 (zero-shot generalization) 성능을 달성함을 입증합니다.