가우시안플랜트 식물 3D 재구성을 위한 구조 정렬 가우시안 스플래팅

초록

본 논문은 다중 뷰 이미지로부터 식물의 외관과 내부 구조를 동시에 복원하는 새로운 방법인 GaussianPlant을 제안한다. 3D Gaussian Splatting(3DGS)을 기반으로 구조 프리미티브(StP)와 외관 프리미티브(ApP)를 계층적으로 결합하고, 사진 재구성 손실과 의미론적·구조적 정규화를 통해 자동으로 가지‑잎 구분 및 가지 그래프를 추출한다. 실험 결과, 고품질의 렌더링과 정확한 가지·잎 구조 복원을 동시에 달성한다.

상세 분석

GaussianPlant은 기존 3DGS가 제공하는 고품질 외관 재현 능력을 유지하면서, 식물 특유의 복잡한 내부 구조를 명시적으로 모델링한다는 점에서 혁신적이다. 핵심 아이디어는 두 종류의 프리미티브를 도입하는데, 구조 프리미티브(StP)는 저주파 Gaussian을 기반으로 하면서도 원통(가지) 혹은 원판(잎) 형태의 명시적 표면으로 변환된다. 이중 기하학적 표현은 초기 3DGS 포인트 클라우드에서 k‑means 클러스터링과 PCA를 통해 얻은 중심·축·스케일 정보를 이용해 자동으로 초기화되며, anisotropy와 평면성을 이용해 가지‑잎 확률 pₛₜ를 사전 할당한다. 외관 프리미티브(ApP)는 기존 3DGS와 동일한 고주파 Gaussian으로, StP 표면에 밀집 배치되어 색상·불투명도·구형 조화 계수를 학습한다.

학습 과정은 세 가지 흐름으로 구성된다. 첫째, 사진 재구성 손실(Lₚₕₒₜ)에서 ApP의 색상·위치가 최적화되고, 이 그래디언트가 바인딩 관계를 통해 StP의 위치와 스케일에 전파되어 구조가 외관 신호에 의해 정제된다. 둘째, 사전 학습된 Vision‑Language 모델(DINO)에서 추출한 이미지 특징과 ApP의 의미론적 특징 fₐₚ을 비교하는 의미 흐름(Lₛₑₘ)으로, pₛₜ를 자동으로 조정해 가지와 잎을 구분한다. 셋째, StP 간 연결성을 평가하는 구조 흐름(Lₛₜᵣ)으로, 트리 그래프의 매끄러움·연속성을 정규화해 부분적으로 가려진 가지까지 복원한다. 이러한 다중 손실은 서로 보완적으로 작용해, 외관 디테일은 ApP가 담당하고, 전역적인 형태와 토폴로지는 StP가 담당하는 명확한 역할 분리를 만든다.

또한, GaussianPlant은 별도의 라벨링이나 종특화 파라미터 없이도 자가 조직화(self‑organized) 방식으로 가지‑잎 라벨을 학습한다. 이는 기존 방법이 필요로 하는 고해상도 라이다 스캔, 수작업 프루닝, 혹은 L‑system 기반 파라미터 튜닝을 크게 완화한다. 실험에서는 실내·실외 식물 데이터셋을 구축하고, 정량적·정성적 평가를 통해 기존 3DGS 기반 파이프라인 대비 구조 복원 정확도가 크게 향상됨을 보여준다. 특히, 복원된 가지 그래프는 후처리 없이 바로 추출 가능하며, 잎 프리미티브를 클러스터링해 개별 잎 인스턴스를 얻을 수 있다.

이러한 설계는 향후 식물 표현형 분석, 성장 모델링, CG 자산 생성 등 다양한 응용 분야에 직접 활용될 수 있다. 특히, 고품질의 신경망 기반 렌더링과 구조 기반 분석을 동시에 제공함으로써, 기존에 서로 다른 파이프라인으로 나뉘어 있던 작업 흐름을 하나의 통합 프레임워크로 통합한다는 점에서 학술적·산업적 파급 효과가 크다.