동적 3D 재구성(3D reconstructions)을 물리 시뮬레이션(physics simulation)에 통합하려면 효율적인 충돌 감지(collision detection)를 위해 고정된 메쉬 토폴로지(fixed mesh topology)가 필요하지만, DG-Mesh와 같은 최첨단 방법들은 기하학적 품질에 최적화된 가변적 토폴로지(varying topology)를 생성합니다. 본 연구에서는 토폴로지 변환(topology conversion)이 재구성 충실도(reconstruction fidelity)를 유지하면서 물리 통합을 가능하게 할 수 있는지 조사합니다. 우리는 물리용 고정 토폴로지 메쉬(fixed-topology meshes)와 렌더링용 가우시안 스플래팅(Gaussian splatting)을 결합한 이중 표현 프레임워크(dual-representation framework)를 제안하며, 런타임 정점 버퍼 업데이트(runtime vertex buffer updates)를 통해 가변 토폴로지 베이스라인(varying-topology baselines) 대비 4.65배의 속도 향상을 달성했습니다. 우리는 DG-Mesh 데이터셋에서 네이티브 고정 토폴로지 방법(MaGS)과 비교하여 시간적 대응 추적(temporal correspondence tracking) 및 템플릿 기반 투영(template-based projection)이라는 두 가지 변환 전략을 평가합니다. 평가 결과, 두 변환 방식 모두 65-80%의 기하학적 저하(geometric degradation)를 초래하며, DG-Mesh의 초기 품질이 더 우수함에도 불구하고 MaGS보다 열등한 결과를 생성함을 확인했습니다. 이는 고품질 재구성과 물리 호환 토폴로지가 사후 처리(post-processing)를 통해 화해될 수 없는 근본적으로 구별되는 목표임을 입증합니다. 우리의 연구 결과는 향후 물리 인식 재구성(physics-aware reconstruction) 방법론 개발에 정보를 제공하며, 우리의 프레임워크는 어떠한 고정 토폴로지 접근 방식과도 실시간 시뮬레이션을 가능하게 합니다.