압축된 3차원 가우시안 스플래터링을 통한 신규 시점 합성의 가속화

최근, 희소한 이미지 세트로부터 새로운 시점 합성에 적합한 고해상도 장면 재구성 기술이 3D 가우시안 스플래터링 표현을 최적화하여 도입되었다. 이러한 표현 방식을 네트워크 스트리밍이나 저전력 장치에서의 렌더링과 같은 응용 분야에 활용하기 위해서는 메모리 소비를 크게 줄이고 렌더링 효율을 향상시켜야 한다. 본 연구에서는 방향성 색상과 가우시안 파라미터를 압축하기 위해 감도 인지 벡터 클러스터링과 양자화 인지 학습을 활용하는 압축된 3D 가우시안 스플래터링 표현을 제안한다. 학습된 코드북은 낮은 비트레이트를 유지하면서 실제 장면에서 최대 31배의 압축률을 달성하며, 시각적 품질 저하가 거의 발생하지 않는다. 또한, 제안한 압축된 스플래터 표현이 경량 GPU에서 하드웨어 래스터라이제이션을 통해 기존 최적화된 GPU 컴퓨팅 파이프라인보다 최대 4배 높은 프레임레이트로 효율적으로 렌더링될 수 있음을 실험적으로 입증하였다. 다양한 데이터셋을 대상으로 수행한 광범위한 실험을 통해 제안한 방법의 강건성과 렌더링 속도의 우수성을 확인하였다.