Sparse 영상으로 2상 흐름 인터페이스 3D 재구성

초록

SurfPhase는 두 개 이하의 카메라 영상만으로도 끓는 물과 같은 두상 흐름의 액체‑증기 경계면을 3차원으로 복원하고, 표면 속도까지 추정하는 새로운 프레임워크이다. 동적 Gaussian surfel과 SDF 제약을 결합하고, 단일 시점 영상에 학습된 비디오 디퓨전 모델로 가상의 뷰를 생성해 재구성을 보강한다.

상세 분석

SurfPhase는 기존의 다중 뷰 기반 신경 렌더링 기법이 요구하는 풍부한 카메라 시야를 확보하기 어려운 실험 환경을 고려해 설계되었다. 핵심 아이디어는 (1) 동적 Gaussian surfel을 이용해 인터페이스를 얇은 원판 형태의 표면 요소로 표현하고, 각 surfel에 부호 거리 함수(SDF) 값을 부여해 기하학적 일관성을 강제한다는 점이다. SDF 값은 로지스틱 변환을 통해 불투명도로 매핑되며, 중간값 기반 γ 조정 메커니즘으로 점차 경계면을 날카롭게 만든다. 또한, surfel의 법선 벡터를 이용해 깊이 투영 손실을 정의함으로써 Eikonal 조건을 암묵적으로 만족시키도록 설계하였다.

두 번째 단계에서는 제한된 시점으로부터 얻은 초기 재구성 결과를 보완하기 위해 비디오 디퓨전 모델을 활용한다. 저자들은 자체 수집한 고속 풀 보일링 영상에 특화된 디퓨전 모델을 사전 학습시킨 뒤, 초기 surfel 기반 렌더링으로 만든 가상의 뷰 영상을 입력으로 넣어 SDEdit 방식을 적용한다. 이 과정에서 인터페이스의 반사·굴절 특성, 급격한 위상 변화 등 물리적 현상을 학습된 프라이어에 의해 보강함으로써, 원본 영상에서는 관찰되지 못한 시점에서도 일관된 외관과 움직임을 생성한다. 생성된 가상 영상은 추가적인 렌더링 손실에 포함되어 두 번째 최적화 단계에서 surfel 위치와 색상을 재조정한다.

속도 추정 부분은 기존의 미분 가능한 렌더링이 제공하지 못하는 점-대-점 추적 문제를 해결하기 위해 “버블 바인딩” 전략을 도입한다. SAM(Segment Anything Model)을 이용해 각 프레임에서 개별 기포(버블) 마스크를 추출하고, 3D 공간에서 해당 버블을 다중 뷰 삼각측량으로 위치시킨 뒤, 연속 프레임 간의 변위를 통해 버블의 3차원 속도를 계산한다. 이렇게 얻은 버블 속도는 해당 버블에 속한 모든 surfel에 동일하게 적용되어, surfel이 시간에 따라 일관되게 이동하도록 유도한다. 결과적으로 인터페이스 전체의 속도 필드를 메트릭 스케일로 정밀하게 추정할 수 있다.

실험에서는 200개의 단일 시점 고속 보일링 영상과, 정밀하게 캘리브레이션된 두 카메라 쌍을 포함하는 새로운 데이터셋을 구축하였다. 정량 평가에서는 기존 동적 NeRF·Gaussian splatting 기반 방법들에 비해 뷰 합성 PSNR/SSIM이 크게 향상되었으며, 특히 멀리 떨어진 가상 뷰에서의 디테일 복원력이 뛰어났다. 정성 평가에서는 생성된 가상 영상이 실제 물리 현상의 반사·굴절 패턴을 잘 재현함을 확인하였다. 속도 추정 실험에서는 버블 바인딩을 사용한 경우와 사용하지 않은 경우를 비교했을 때, 평균 절대 오차가 30 % 이상 감소하는 등 실용적인 정확도를 보였다.

SurfPhase는 (1) 제한된 카메라 수로도 고품질 3D 인터페이스 복원, (2) 비디오 디퓨전 모델을 통한 가상 뷰 보강, (3) 버블 기반 물리적 속도 추정이라는 세 가지 혁신을 결합함으로써, 실험 유체역학에서 비침습적 측정이 어려운 두상 흐름의 정량적 분석을 가능하게 만든다. 향후 연구에서는 더 다양한 두상 현상(응축, 석출 등)과 실시간 적용을 위한 경량화 모델 개발이 기대된다.