3D Gaussian Splatting (3DGS)은 빠르고 고충실도(high-fidelity)의 렌더링을 통해 새로운 시점 합성(novel-view synthesis) 분야에 혁신을 일으켰습니다. 그러나 다양한 장면에서 높은 FPS와 낮은 지연 시간(low latency)으로 렌더링하는 것은 여전히 과제로 남아 있으며, 특히 장면에 방대한 양의 3D Gaussian 타원체(ellipsoids)가 나타날 때 더욱 그러합니다. 이 문제를 해결하기 위해, 본 연구에서는 TemporalGS를 소개합니다. 우리가 알고 있는 바로는, 이는 타일 기반 소프트웨어 래스터화(tile-based software rasterization) 상에서 구현되어, 어떠한 사후 학습(post-training)이나 사후 처리(post-processing) 없이도 3DGS 렌더링을 가속화할 수 있는 최초의 학습 불필요(training-free) 플러그 앤 플레이(plug-and-play) 알고리즘 방식입니다. 핵심 아이디어는 프레임을 3DGS 방식대로 독립적으로 렌더링하는 대신, 새로운 기하학(geometry) 및 외관(appearance) 버퍼 등으로 표현되는 시간적 사전 정보(temporal priors)를 활용하여 연속된 프레임의 Gaussian 전처리, 정렬(sorting) 및 래스터화(rasterization) 작업의 중복성을 줄이는 것입니다. 구체적으로, 우리는 두 가지 가속 전략을 제안합니다: (1) 현재 프레임 렌더링에 기여도가 낮은 Gaussian을 필터링하는 시간적 동적 컬링(temporal dynamic culling); (2) 시간적 사전 정보로 근사할 수 없는 타일의 아주 일부분만을 렌더링하는 선택적 렌더링(selective rendering). 이 두 전략을 적응시키고 교차 배치함으로써, TemporalGS는 어떠한 학습 없이도 3DGS 렌더링 속도를 높일 수 있는 단순하지만 효과적인 플러그 앤 플레이 솔루션을 제공합니다. 광범위한 실험을 통해 TemporalGS는 기존의 최첨단(state-of-the-art) 사후 학습 또는 사후 처리 기반 3DGS 렌더링 가속 방식과 비교하여 대등하거나 심지어 더 나은 성능을 달성함을 보여줍니다. TemporalGS는 경쟁력 있는 렌더링 품질을 유지하면서도 다양한 3DGS 방법의 렌더링 속도를 최대 $1.48 imes$까지 크게 향상시킬 수 있습니다. 나아가 우리는 TemporalGS를 하드웨어 래스터화 기반 3DGS로 확장하여 우리 알고리즘의 이식성(portability)을 입증했습니다.