Multi-GPU Gaussian Splatting을 위한 확장 가능한 PyTorch 추상화

원문 발행 2026. 06. 10. 04:15원문 언어 영어AI 한국어 번역arXiv cs.GR (Graphics) 원문 보기

요약

Gaussian Splatting의 계산 및 메모리 제약을 해결하기 위해 Multi-GPU 환경에서 확장 가능한 PyTorch 추상화 백엔드를 제안합니다. CUDA unified memory와 NVLink를 활용하여 모델 코드를 단순화하면서도 10억 개 이상의 Gaussian splats를 처리할 수 있는 도시 규모의 재구성을 구현했습니다.

핵심 포인트

Multi-GPU 환경을 위한 확장 가능한 PyTorch 백엔드 제안
CUDA unified memory 및 NVLink를 통한 파라미터 분산
명시적 장치 간 통신 없이 연산자 수준에서 분산 처리
10억 개 이상의 Gaussian splats를 활용한 도시 규모 재구성 성공

Gaussian splatting 방법론은 현실 세계의 신경 재구성 (neural reconstruction)을 위해 점점 더 인기를 얻고 있습니다. 그러나 이러한 방법들은 계산 및 메모리 제약으로 인해 규모와 해상도 측면에서 종종 제한을 받습니다. 본 논문에서는 모델 분산과 관련하여 통상적으로 발생하는 코드 복잡성을 추상화하면서, 재구성을 더 높은 해상도와 더 큰 장면으로 확장할 수 있는 multi-GPU Gaussian splatting 접근 방식을 제시합니다. 이를 달성하기 위해, 우리는 CUDA unified memory 및 NVLink를 통해 Gaussian 파라미터와 splatting 연산자 (operators)를 GPU 간에 분산하는 PyTorch 백엔드 (backend)를 제안합니다. 분산이 연산자 수준에서 발생하기 때문에, 모델 코드는 명시적인 장치 간 통신 (cross-device communication)을 필요로 하지 않습니다. 더 넓게는, 이 백엔드는 여러 개의 GPU를 하나의 통합된 PyTorch 장치 (device)로 노출하며 다른 PyTorch 연산자들을 지원합니다. 우리는 현재의 최첨단 (state of the art) 기술보다 25배 이상 많은, 10억 개 이상의 Gaussian splats로 구성된 거리 수준의 세부 정보를 포함하는 도시 규모의 재구성을 시연합니다.

AI 자동 생성 콘텐츠

원문 바로가기

Multi-GPU Gaussian Splatting을 위한 확장 가능한 PyTorch 추상화

요약

핵심 포인트

댓글