적응형 샘플링과 이방성 파라미터화로 강화된 텍스처 가우시안

초록

3D 가우시안 스플래팅에 텍스처를 추가하면 디테일 표현이 향상되지만 메모리 사용량이 급증하는 문제가 있습니다. 본 연구는 기존 텍스처 가우시안 방법의 두 가지 근본적 한계(비효율적 샘플링, 균일한 파라미터 할당)를 지적하고, 가우시안 밀도 분포에 맞춘 적응형 샘플링과 렌더링 오류를 기반으로 한 이방성 텍스처 해상도 조정 전략을 제안합니다. 이를 통해 훨씬 적은 텍스처 파라미터로도 고품질 렌더링을 달성합니다.

상세 분석

본 논문이 제안하는 ASAP-Textured Gaussians의 기술적 핵심은 크게 두 가지로, ‘적응형 샘플링(Adaptive Sampling)‘과 ‘오류 기반 이방성 파라미터화(Error-driven Anisotropic Parameterization)‘입니다.

첫 번째, 적응형 샘플링은 텍스처 공간과 가우시안의 캐노니컬 공간을 동일시하는 기존 방식의 비효율성을 해결합니다. 2D 가우시안은 중심부에서 가장 높은 불투명도(기여도)를 가지며, 가장자리로 갈수록 그 기여도가 급격히 감소합니다. 그러나 균일한 텍스처 샘플링은 기여도가 낮은 가장자리 영역에도 동일한 비중의 텍스처 리소스를 할당하게 되어 자원 낭비를 초래합니다. ASAP는 이 문제를 위해 가우시안의 누적 분포 함수(CDF)를 이용한 워핑(warping) 함수를 도입합니다. 축별(axis-wise) CDF 워핑 또는 방사형(radial) CDF 워핑을 적용하여 텍스처 좌표를 변환함으로써, 가우시안의 질량 분포에 맞춰 샘플링 밀도를 재분배합니다. 결과적으로 텍스처 텍셀(texel)이 시각적 기여도가 높은 중심부에 집중되어, 동일한 텍스처 크기로도 더 높은 디테일 표현이 가능해집니다.

두 번째, 이방성 텍스처 성장 전략은 장면 전체에 걸쳐 균일한 텍스처 해상도를 할당하는 기존 방식의 과도한 파라미터화 문제를 해결합니다. 복잡한 영역과 단순한 영역이 동일한 텍스처 크기를 가지는 것은 비효율적입니다. ASAP는 각 가우시안 텍스처의 행(가로)과 열(세로) 방향으로 별도로 그래디언트 통계를 누적합니다. 이 그래디언트의 크기는 해당 방향의 표현력 부족을 나타내는 지표로 활용됩니다. 주기적으로 이 그래디언트 평균값이 특정 임계값을 초과하면, 해당 축 방향으로 텍스처 해상도를 증가시킵니다(예: 4x4 -> 4x8). 이 과정은 각 가우시안의 시각적 복잡도에 따라 이방성적으로(가로/세로 비율이 다르게) 텍스처 리소스를 할당하게 하여, 메모리를 효율적으로 사용하면서도 필요한 곳에 디테일을 집중 투자할 수 있게 합니다.

이 두 기법은 상호 보완적입니다. 적응형 샘플링은 개별 가우시안 ‘내부’의 텍스처 활용 효율을 높이고, 이방성 파라미터화는 장면 ‘전체’에서 가우시안 ‘간’의 텍스처 자원 배분을 최적화합니다. 실험 결과, 제안 방법은 기존 선행 연구들(Textured Gaussians, BBSplat, SuperGaussians 등)과 동등하거나 우수한 렌더링 품질을 유지하면서 텍스처 파라미터 수를 크게 줄였습니다. 이는 압축 기법과도 직교적(orthogonal)으로 결합 가능해, 텍스처 가우시안의 확장성과 실용성을 크게 높인 중요한 진전입니다.