3D 가우시안 스플래팅을 위한 가변 비트레이트 압축 기법 RAVE

초록

RAVE는 3D Gaussian Splatting(3DGS) 모델을 하나의 학습 단계만으로 다양한 압축 비율에 대응하도록 설계된 가변 비트레이트 압축 프레임워크이다. 사전 계산된 그래디언트 기반 중요도 점수를 이용해 가우시안을 순위화하고, 목표 비트레이트에 맞춰 상위 가우시안을 선택·압축한다. 별도의 재학습 없이 연속적인 rate‑distortion 곡선을 제공하며, 메모리·전송 비용을 크게 낮추면서도 렌더링 품질을 유지한다.

상세 분석

RAVE는 기존 3DGS 압축 방법이 고정된 비트레이트에만 최적화되는 한계를 극복하고, 연속적인 비트레이트 조절을 가능하게 하는 최초의 접근법이다. 핵심 아이디어는 “앵커(Anchor) 레벨”이라는 개념을 도입해 여러 사전 정의된 압축 단계(L개의 앵커)를 설정하고, 각 앵커마다 가우시안 집합 Gₗ을 구성한다. 이때 가우시안의 중요도는 전체 학습 데이터에 대해 한 번만 계산된 그래디언트 크기로 정의되며, 이는 파라미터 θᵢ에 대한 손실 L의 편미분 ‖∂L/∂θᵢ‖² 로 표현된다. 그래디언트는 전역이 아니라 각 앵커 레벨 l+1의 컨텍스트 Cₗ₊₁ 안에서만 평가되므로, 해당 레벨에서 추가되는 가우시안이 현재 비트레이트 구간에 미치는 영향을 정확히 반영한다.

비트레이트 R_target이 주어지면, R(Gₗ) ≤ R_target 인 가장 큰 l을 찾고, 그 앵커와 다음 앵커 사이의 비율에 따라 선형 보간을 수행한다. 구체적으로, ΔG = |G_target| – |Gₗ| 만큼의 가우시안을 Cₗ₊₁에서 그래디언트 순위가 높은 것부터 선택한다(식 3). 이렇게 선택된 G_target는 그대로 엔트로피 코딩(LZMA 등)으로 압축·전송된다. 중요한 점은 그래디언트 계산이 한 번만 수행된다는 점이다. 따라서 다양한 R_target에 대해 즉시 재구성이 가능하며, 추가 학습이나 파라미터 미세조정이 전혀 필요하지 않다.

RAVE는 두 가지 대조 실험을 통해 그 효용을 입증한다. 첫 번째는 전역 그래디언트를 사용한 “Global‑aware” 방식으로, 높은 비트레이트에서만 유의미한 구조가 강조돼 중간 단계에서 품질이 급격히 떨어지는 현상이 관찰된다. 두 번째는 앵커 수를 인위적으로 늘려 연속성을 강제하는 “Multi‑anchor” 전략이다. 이 경우 앵커가 많아질수록 그래디언트 재계산 비용이 선형적으로 증가하고, 오히려 레이트‑디스토션 곡선이 불안정해진다. 반면 RAVE는 제한된 수의 앵커(L≈4~6)만으로도 부드러운 연속 곡선을 제공하고, 계산량과 메모리 사용량을 크게 절감한다.

성능 평가에서는 Mip‑NeRF 360, Tanks & Temples, Deep Blending 세 벤치마크에서 PSNR·LPIPS 기준으로 최신 압축 기법(HAC 등)과 동등하거나 약간 앞서는 결과를 보였다. 특히 낮은 비트레이트 영역에서 기존 방법이 급격히 품질이 저하되는 반면, RAVE는 그래디언트 기반 선택 덕분에 구조적 손실을 최소화한다. 또한 엔트로피 코딩 단계가 모듈식이므로, 향후 더 효율적인 비디오 코덱이나 딥러닝 기반 압축기와도 손쉽게 교체 가능하다.

요약하면, RAVE는 (1) 단일 학습으로 다중 비트레이트를 지원, (2) 그래디언트 기반 중요도 순위를 통해 가우시안을 효율적으로 선택, (3) 컨텍스트‑aware 앵커 설계로 중간 단계 품질을 보장, (4) 코덱 독립성을 유지하면서 실시간 렌더링 속도를 그대로 유지한다는 장점을 가진다. 이러한 특성은 모바일·AR/VR 디바이스와 같이 제한된 대역폭·메모리 환경에서 3DGS 기반 몰입형 콘텐츠를 배포하는 데 큰 실용적 가치를 제공한다.