기하학 기반 가우시안 스플래팅

초록

본 논문은 가우시안 스플래팅의 기본 원소인 3D 가우시안을 확률적 고체(stochastic solid)로 수학적으로 정의하고, 이를 이용해 연속적인 깊이값을 효율적으로 렌더링한다. 전통적인 히스토리 기반 깊이 추출 방식의 불안정성을 극복하고, 다중 뷰 간 일관성을 크게 향상시켜 기존 방법들보다 우수한 형태 복원을 달성한다.

상세 분석

논문은 먼저 Gaussian Splatting(GS)의 렌더링 방정식을 기존 볼류메트릭 렌더링 이론과 연결시킨다. ‘Objects as Volumes’(Miller et al., 2024)에서 제시된 확률적 고체 모델을 차용해, 가우시안 프리미티브를 점유율 O와 공극율 v 로 표현하고, 투과율 T와 감쇠계수 σ를 정의한다. 핵심은 가우시안의 불투명도 o와 공극율 v 사이에 v = 1 − G(x)라는 단순 관계를 도출함으로써, 볼류메트릭 적분 결과가 기존 2D 스플래팅의 알파 블렌딩과 동일함을 증명한 점이다. 이 수학적 동등성은 가우시안을 명시적인 기하학적 표현으로 취급할 수 있게 해준다.

그 다음 저자들은 이 이론을 바탕으로 깊이 맵을 추출한다. 전통적인 GS 기반 방법은 투과율이 0.5가 되는 지점을 ‘중간 깊이’로 정의했지만, 가우시안이 겹칠 때 전이(transmittance)가 불연속적으로 변해 깊이 경계가 거칠어졌다. 확률적 고체 모델은 감쇠를 연속적으로 기술하므로 전이 곡선이 매끄럽고, 전이의 단조성을 이용해 이진 탐색으로 정확한 0.5 교차점을 찾는다. 또한, 모든 가우시안 파라미터에 대해 중간 깊이의 미분식을 닫힌 형태로 유도해 역전파가 가능하도록 함으로써, 깊이 손실을 직접 가우시안의 위치·공분산·불투명도에 전달한다.

실험에서는 공개된 멀티뷰 데이터셋(예: DTU, Tanks & Temples)에서 기존 GS 기반 재구성 방법들(NeuralGS, SuGaR, PGSR 등)보다 평균 정밀도와 재현율이 크게 개선된 결과를 보였다. 특히, 플로터(floater)와 같은 잡음에 대한 강인성이 높아, 복잡한 장면에서도 일관된 메쉬를 생성한다. 계산 효율성 측면에서도 기존 GS의 실시간 렌더링 파이프라인을 그대로 유지하면서 깊이 맵을 추가로 생성하므로, 학습·추론 속도에 큰 부담을 주지 않는다.

이 논문은 가우시안 프리미티브를 확률적 고체로 해석함으로써, GS가 본질적으로 기하학 정보를 내포하고 있음을 증명하고, 이를 활용한 깊이 추출·역전파 기법을 제시함으로써 GS 기반 형태 복원의 패러다임을 전환한다는 점에서 학술적·실용적 의의가 크다.