QuantumGS 양자 인코딩 기반 가우시안 스플래팅

초록

본 논문은 3D Gaussian Splatting(3DGS)의 시점‑의존 색상·불투명도 표현을 강화하기 위해 시점 정보를 Bloch 구 위의 양자 상태로 인코딩하고, 변분 양자 회로(VQC)를 이용해 고주파 반사·투명 효과를 모델링한다. 두 가지 파이프라인(가우시안별 하이퍼‑양자와 전역 해시‑조건부 양자)을 제안하며, 실험에서 기존 3DGS 및 VDGS 대비 PSNR·SSIM 등에서 우수한 성능을 보인다.

상세 분석

QuantumGS는 기존 3D Gaussian Splatting이 저차원 구면조화함수(SH) 기반 색상 보정에 의존해 고주파 시점‑의존 현상을 충분히 재현하지 못한다는 한계를 양자‑기계학습 기법으로 극복한다. 핵심 아이디어는 시점 벡터 d ∈ S²를 Bloch 구의 파라미터 θ, φ 로 변환해 단일 혹은 다중 큐비트의 초기 상태 |ψ_enc⟩ 로 매핑하는 것이다. 이 매핑은 SO(3) 회전 대칭을 자연스럽게 보존하며, 양자 회전 게이트 R_y(θ), R_z(φ) 를 통해 각 큐비트에 적용된다.

그 후, 4층 깊이의 변분 양자 회로(VQC)가 적용되는데, 각 층은 큐비트별 파라미터화된 회전 R_j(θ_j,ℓ, φ_j,ℓ) 와 순환형 CNOT 엔탱글먼트 (CNOT₀→₁, CNOT₁→₂, CNOT₂→₀) 으로 구성된다. 이러한 순환형 엔탱글먼트는 RGB 색채와 불투명도 사이의 상호작용을 양자 얽힘으로 모델링함으로써, 고주파 반사·투명도 변화를 비선형적으로 학습한다. 회로 출력은 Z‑기저 측정으로 얻은 기대값 ⟨Z_j⟩ (‑1~1) 을 3차원 양자 피처 벡터로 변환하고, 경량 클래식 MLP에 입력해 색상·불투명도 보정 Δc(d), Δα(d) 를 생성한다.

두 가지 파이프라인 설계가 눈에 띈다. 파이프라인 I(Per‑Gaussian)에서는 하이퍼네트워크가 각 가우시안의 위치 μ 를 해시 인코딩해 고유한 VQC 파라미터와 MLP 가중치를 생성한다. 이는 복잡한 로컬 광학 현상(예: 얇은 유리창 뒤의 투명도)에서 높은 정밀도를 제공한다. 파이프라인 II(Global)에서는 전역 VQC와 전역 MLP가 공유되며, 위치와 시점 해시 hash(μ) · hash(d) 를 결합해 조건화한다. 메모리 사용량이 크게 감소해 대규모 실세계 씬에 적합하다.

실험 결과는 두 파이프라인 모두 기존 3DGS, VDGS, QRF 등과 비교해 PSNR, SSIM, LPIPS 등에서 일관된 개선을 보였다. 특히 NeRF Synthetic 데이터셋에서 파이프라인 I은 PSNR 33.98, SSIM 0.970을 기록해 최고 성능을 달성했고, Mip‑NeRF 360 및 Tanks & Temples 같은 대규모 씬에서도 파이프라인 II가 높은 일반화 능력을 입증했다. 시각적 결과에서도 투명한 유리창 뒤 배경 복원, 얇은 리깅의 섬세한 반사, 책꽂이 베이스의 직선 유지 등 고주파 디테일이 명확히 재현되었다.

양자 회로의 파라미터 수는 전체 모델 파라미터 대비 매우 적으며, 변분 회로가 제공하는 고차원 함수 근사 능력이 저‑파라미터 MLP보다 뛰어남을 실증한다. 또한 Bloch 구 인코딩은 시점 정보를 연속적인 회전 공간에 매핑함으로써, 기존 유클리드 좌표 기반 인코딩보다 더 자연스러운 기하학적 연속성을 제공한다. 이는 양자‑기계학습이 시각적 신호의 회전 대칭성을 활용하는 새로운 패러다임을 제시한다는 점에서 의미가 크다.

다만 현재 구현은 시뮬레이터 기반이며, 실제 양자 하드웨어에서의 노이즈와 큐비트 수 제한이 성능에 미칠 영향에 대한 평가가 부족하다. 향후 양자 오류 정정 및 하드웨어 최적화와 결합한다면 실시간 렌더링에 필요한 지연 시간을 더욱 줄일 수 있을 것으로 기대된다.

요약하면, QuantumGS는 Bloch 구 기반 시점 인코딩과 변분 양자 회로를 통해 3DGS의 시점‑의존 색상·불투명도 모델링을 고차원, 고주파 영역까지 확장했으며, 두 단계의 파이프라인 설계로 로컬 정밀도와 전역 확장성을 동시에 달성한 혁신적인 양자‑클래식 하이브리드 프레임워크이다.