우리는 심하게 언더샘플링된 (undersampled) 래스터화된 (rasterized) 입력으로부터 가닥 기반 (strand-based) 헤어 G-버퍼 (G-Buffers)를 재구성하기 위한 경량 실시간 방법을 제안합니다. 우리의 파이프라인은 먼저 신경망 공간 재구성 (neural spatial reconstruction) 및 시간적 축적 (temporal accumulation)을 적용하여 헤어 커버리지, 즉 픽셀 내의 소수점 단위 헤어 가시성 (fractional hair visibility)과 접선 (tangent)을 복구합니다. 그 다음, 접선 가이드 재구성 (tangent-guided reconstruction) 단계를 사용하여 위치 (position)를 완성하며, 이는 이후 물리 기반 지연 헤어 셰이딩 (physically based deferred hair shading)에 사용됩니다. 우리는 정적 및 동적 시나리오 모두에서 생머리, 웨이브, 아프로 (afro), 포니테일 스타일을 포함한 다양한 헤어스타일 세트에 대해 우리의 방법을 평가합니다. 우리의 방법은 기존의 헤어 전용 디노이징 (denoising) 기술 및 DLSS 및 FSR과 같은 일반적인 산업용 신경망 재구성 (neural reconstruction) 솔루션보다 더 높은 헤어 재구성 품질을 달성합니다.