MMGS: Multi-view Ranking 기반의 Optimal Transport Aggregation을 통한 10배 압축된 3DGS
요약
MMGS는 3D Gaussian Splatting(3DGS)의 방대한 데이터 오버헤드 문제를 해결하기 위해 Optimal Transport(OT) 기반의 집계 방식을 제안하는 프레임워크입니다. 다중 뷰 기여도 순위 지정과 전역적 기하학적 분포 매칭을 통해 중복된 프리미티브를 효과적으로 병합합니다. 이를 통해 기존 방식 대비 프리미티브 사용량을 10%로 줄이면서도 최첨단 렌더링 품질과 10배 빠른 학습 속도를 달성했습니다.
핵심 포인트
- 다중 뷰 3D Gaussian 기여도 순위 지정 메커니즘을 통한 기하학적 일관성 기반 프리미티브 필터링
- Optimal Transport(OT) 알고리즘을 활용하여 기하학적 구조를 보존하며 중복 프리미티브 병합
- 가우시안 분포 특성을 유지하는 OT 기반 밀집화 연산자 설계
- 기존 3DGS 대비 프리미티브 90% 감소 및 학습 속도 10배 향상
3D Gaussian Splatting (3DGS)가 3D 재구성 (3D reconstruction) 분야에 혁신을 가져왔지만, 방대한 양의 중복된 프리미티브 (primitives)로 인해 상당한 오버헤드 (overhead) 문제를 겪고 있습니다. 기존의 압축 방법들은 일반적으로 국소적 샘플링 (local sampling) 또는 고정된 가지치기 임계값 (fixed pruning thresholds)에 의존하며, 이는 중복성 감소와 고충실도 렌더링 (high-fidelity rendering) 사이의 균형을 맞추는 데 어려움을 겪는 경우가 많습니다. 이를 해결하기 위해, 우리는 가우시안 최적화 (Gaussian optimization)를 전역적 기하학적 분포 매칭 (global geometric distribution matching) 문제로 공식화하는 새로운 프레임워크를 제안합니다. 구체적으로, 우리의 접근 방식은 세 가지 구성 요소를 통합합니다: (1) 국소적 휴리스틱 (local heuristics) 대신 기하학적 일관성 (geometric consistency)을 사용하여 프리미티브를 필터링하는 다중 뷰 3D 가우시안 기여도 순위 지정 (multi-view 3D Gaussian contribution ranking) 메커니즘을 도입합니다; (2) 기저의 기하학적 구조를 보존하면서 중복된 프리미티브를 병합하는 전역적 Optimal Transport (OT) 기반 집계 (aggregation) 알고리즘을 제안합니다; (3) 안정적인 최적화를 위해 가우시안의 분포 특성을 유지하는 OT 기반 밀집화 연산자 (densification operator)를 설계합니다. 우리의 접근 방식은 기존의 vanilla 3DGS와 비교했을 때 단 extbf{10%}의 프리미티브만 사용하면서도 최첨단 (state-of-the-art) 렌더링 품질을 달성하였으며, extbf{10배} 빠른 학습 속도를 보여줍니다.
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 바로가기