LEGS: 비선형 가중치 손실을 이용한 Laplacian 강화 Gaussian Splatting

3D Gaussian Splatting (3DGS)은 복사 휘도장 (radiance field) 재구성 및 실시간 새로운 시점 합성 (novel view synthesis)을 위한 효율적인 명시적 표현 (explicit representation)이 되었습니다. 그러나 표준적인 광도 손실 (photometric loss)은 평평한 영역과 구조가 풍부한 영역을 유사하게 취급하며, 이는 날카로운 윤곽선과 미세한 세부 사항의 복원을 제한할 수 있습니다. Edge-Guided Gaussian Splatting (EGGS)은 에지 가이드 가중치 부여 (edge-guided weighting)를 통해 구조적 인지 능력을 개선하지만, 주로 1차 미분 (first-order gradient) 응답과 선형 가중치 (linear weighting)에 의존합니다. 본 논문에서는 비선형 가중치 손실을 사용하는 Laplacian 강화 Gaussian Splatting 방법인 LEGS를 제안합니다. LEGS는 1차 미분 가이드를 2차 Laplacian 구조 가이드 (second-order Laplacian structural guidance)로 대체하고, 정규화된 Laplacian 응답을 비선형 응답-가중치 함수 (nonlinear response-to-weight functions)를 통해 픽셀 단위 가중치로 매핑합니다. 제안된 손실 함수는 기존 3DGS 렌더링 파이프라인을 변경하지 않으면서 구조 인지형 Gaussian 최적화를 개선합니다. 전체 Tanks&Temples 및 Mip-NeRF360 데이터셋에 대한 실험 결과, LEGS는 3DGS 대비 최대 1.68 dB, EGGS 대비 최대 0.52 dB의 최대 신호 대 잡음비 (PSNR) 향상을 보여주었습니다. 제안된 2차 비선형 가중치 전략을 FastGS 및 FasterGS에 통합했을 때 PSNR이 최대 1.69 dB 추가로 향상되었으며, 이는 AR/VR, 몰입형 시각화 (immersive visualization), 실시간 3D 콘텐츠 생성 분야에서 잠재적인 응용 가능성을 가진 Gaussian Splatting 파이프라인을 위한 범용적인 손실 수준 확장 (loss-level extension)으로서의 효과를 입증합니다.