이미지 사전 정보(Image priors)는 3D Gaussian 거리 장면을 위한 목표 조건을 합성할 수 있지만, 독립적으로 편집된 뷰(views)는 일관된 3D 목표를 정의하지 못합니다. 직접적인 피팅(Direct fitting)은 뷰별 노이즈를 전파할 수 있는 반면, 기존 파이프라인은 불완전한 희소 앵커(sparse anchors)와 표준 래스터라이저(standard-rasterizer) 배포를 공동으로 처리하지 못합니다. 이러한 격차를 해소하기 위해, 외관 베이킹(appearance baking)을 위한 교사 상대 외관 잔차 증류(teacher-relative appearance residual distillation)가 도입되었습니다. 교사 앵커(teacher anchors)와 원본 렌더링 사이의 잔차(residuals)를 통해 주파수 분해(frequency decomposition), 신뢰도 추정(confidence estimation), 그리고 프리미티브 수준 리프팅(primitive-level lifting)을 위한 구조화된 공간이 형성됩니다. 직접적인 최적화 신호는 렌더러 공간 매칭(renderer-space matching)에 의해 제공되며, 프리미티브 할당(primitive assignment)은 지원 인식 Gaussian 공간 집계(support-aware Gaussian-space aggregation)에 의해 정규화됩니다. 신뢰도 게이트 기반의 coarse-to-fine 최적화(confidence-gated coarse-to-fine optimization)를 통해 지원되는 디테일은 수용되고 지원되지 않는 노이즈는 억제되며, 그 후 모든 잔차는 고정된 기하학적 구면 조화 함수 계수(spherical-harmonic coefficients)로 베이킹됩니다. 교사 및 보조 학습 모듈은 추론 시 폐기됩니다. Waymo 거리 자산, Tanks and Temples 장면, 그리고 여러 목표 조건에 걸친 평가 결과, 편집 기반 베이스라인(baselines) 대비 목표 정렬(target alignment), 콘텐츠 보존(content preservation), 아티팩트 억제(artifact suppression), 그리고 교차 뷰 일관성(cross-view consistency) 측면에서 유리한 전반적 균형을 보여줍니다. 절제 연구(Ablations)를 통해 주요 구성 요소의 효과를 확인했습니다. 코드는 https://github.com/Cagares/Baking-for-3D-Gaussian 에서 공개될 예정입니다.