밀리미터파(Millimeter-wave) 레이더는 움직이는 물체의 마이크로미터 단위 변위를 마이크로 도플러(micro-Doppler) 신호로 감지하여 보행, 제스처, 활동, 자세 및 활력 징후 감지를 가능하게 합니다. 각 작업은 실제 데이터로 학습된 다운스트림 모델에 의존하지만, 레이더 데이터셋은 비전 및 언어 분야보다 수 단계를 뒤처져 있습니다. 무작위적인 데이터 수집만으로는 이러한 격차를 해소할 수 없으며, 기존의 합성 방법(순방향 시뮬레이터, 학습된 생성기, 정적 장면 역렌더러)들은 움직이는 물체의 실제 포착 데이터를 담아내지 못하여 심2실(sim2real) 간극을 남깁니다. 우리는 물리 기반 미분 가능한 렌더러인 4D 포인트 스플래팅(4DPS)을 제시하며, 이는 명시적인 움직이는 장면을 실제 포착 데이터에 맞추는 데 사용됩니다. 동기화된 카메라를 사용하여 방과 신체를 초기화하고, 이 장면을 재질, 법선 벡터, 속도를 지닌 방향성 점들로 표현한 다음, 각 점을 범위(range) 및 도플러(Doppler) 빈으로 스플래팅합니다. 우리의 출력은 실제 레이더가 기록하는 원시 복소수 반사 신호이므로, 렌더링된 데이터에 동일한 신호 처리를 적용하여 모든 최신 다운스트림 모델 학습을 위한 임의의 표현을 얻습니다. 우리는 서로 다른 두 개의 레이더를 사용한 HuPR과 RT-Pose라는 두 데이터셋에서 각각 235개 및 100개의 시퀀스를 맞추었습니다. 우리의 재구성 결과는 범위-방위각, 범위-도플러, 마이크로 도플러에서 각각 중앙값 상관관계(median correlations) 0.940과 0.830, 0.829와 0.695, 그리고 0.988과 0.966을 기록하며 현존 최고 수준을 달성했습니다. 또한 우리의 렌더링 결과는 다운스트림 sim2real 간극에서도 최고 수준을 설정합니다. RT-Pose에서 학습된 자세 모델은 실제 데이터에서 21.9 cm의 MPJPE(Mean Per Joint Position Error)를 달성했는데, 이는 실제 학습 시 16.7 cm, RF-Genesis 기준선에서는 127.6 cm로 나타났으며, 이 경우 렌더링된 모델과 실제로 학습된 모델 모두 거의 동일한 특징을 학습합니다. 우리의 맞춤형 CUDA 커널은 HuPR에서 5.7분, RT-Pose에서 12.9분 만에 하나의 H100 GPU에서 시퀀스를 처리할 수 있게 하여, mmWave 레이더의 데이터셋 규모 역렌더링을 최초로 가능하게 했습니다. 본 연구는 모든 인간 중심 다운스트림 작업 및 모델을 위한 합성 데이터 생성을 가능하게 하며, 데이터 증강을 위한 장면 편집에도 활용될 수 있습니다.