Mesh2GS: 광학 샘플링 (Plenoptic Sampling)을 통한 화이트박스(White-Box) 3DGS 구축

원문 발행 2026. 06. 20. 15:30원문 언어 영어AI 한국어 번역arXiv cs.GR (Graphics) 원문 보기

요약

Mesh2GS는 광학 샘플링 이론을 기반으로 메쉬 기하학에서 직접 3D Gaussian Splatting을 생성하는 새로운 화이트박스 프레임워크입니다. 기존의 휴리스틱 방식 대신 이론적 샘플링 가이드를 통해 고품질 전역 조명 렌더링과 비-람베르시안 효과를 효과적으로 구현합니다.

핵심 포인트

광학 샘플링 이론 기반의 메쉬-to-3DGS 구축 프레임워크 제안
Nyquist 수준의 성능을 목표로 하는 샘플링 가이드 전략 도입
알베도-셰이딩 분해를 통한 효율적인 전역 조명 포착
비-람베르시안 효과 처리를 위한 신경 조명 강화 모듈 적용
실시간 공유 렌더링 및 정반사 하이라이트 포착 성능 입증

3D Gaussian Splatting (3DGS)은 고품질의 실시간 3D 재구성 (3D reconstruction)을 위한 유망한 방법으로 부상했습니다. 3DGS를 메쉬 (mesh) 표현 방식과 연관시키기 위해, 기존 방법들은 주로 다중 뷰 이미지로부터 3DGS-to-mesh 재구성에 집중해 왔습니다. 반면, 메쉬를 3DGS로 변환하는 문제는 상대적으로 적은 관심을 받아왔습니다. 3D Gaussians를 메쉬에 결합하는 휴리스틱 (heuristic) 전략에 의존하는 대신, 우리는 광학 샘플링 (plenoptic sampling) 이론을 기반으로 메쉬 기하학 (mesh geometry)으로부터 직접 3DGS를 생성하는 Mesh2GS라고 명명된 새로운 화이트박스 (white-box) 3DGS 구축 프레임워크를 제안합니다. 이는 고품질 전역 조명 (global illumination) 렌더링을 위해 Nyquist 수준의 성능을 달성합니다. 첫째, 우리는 샘플링된 뷰의 최소 샘플링 비율과 3D Gaussians의 분포를 이론적으로 도출하는 광학 샘플링 가이드 3DGS 구축 전략을 제안합니다. 둘째, 효율적인 전역 조명 포착을 위해 알베도-셰이딩 분해 (albedo--shading decomposition)를 포함하는 새로운 3DGS 업데이트 절차를 제안합니다. 마지막으로, 비-람베르시안 (non-Lambertian) 효과를 처리하기 위한 신경 조명 강화 (neural illumination enhancement) 모듈을 도입합니다. 실험 결과는 우리의 방법이 최신 베이스라인 (state-of-the-art baselines)을 능가하며, 실시간 공유 렌더링과 비-람베르시안 효과의 정반사 하이라이트 (specular highlights) 포착 모두에 실질적으로 효과적임을 입증합니다. 프로젝트 코드는 논문 채택 시 공개될 예정입니다.

AI 자동 생성 콘텐츠

원문 바로가기

Mesh2GS: 광학 샘플링 (Plenoptic Sampling)을 통한 화이트박스(White-Box) 3DGS 구축

요약

핵심 포인트

댓글