cvg/resplat

해결하는 문제

ReSplat은 이미지에서 3D 가우시안 스플래터링을 효율적으로 예측하는 문제를 해결합니다. 높은 품질의 재구성에 필요한 가우시안 수를 줄이면서도, 테스트 시 반복적인 정교화를 통해 장면 표현을 개선할 수 있는 메커니즘을 제공합니다.

작동 방식

ReSplat은 피드포워드 재귀 모델을 사용합니다. 먼저, 서브샘플링된 공간에서 가우시안을 예측하는 컴팩트한 초기화를 수행하며, 이전의 픽셀 단위 방법보다 훨씬 적은 수의 가우시안을 사용합니다. 이후 렌더링 오차를 기울기 없는 피드백 신호로 사용하여, 가중치 공유 재귀 모듈을 통해 가우시안 파라미터의 업데이트를 반복적으로 예측합니다.

대상 사용자

이 프로젝트는 3D 장면 재구성, 컴퓨터 비전, 신경 렌더링 분야에서 일하는 연구자 및 개발자에게 적합하며, 특히 가우시안 스플래터링 기법을 활용하는 분들을 대상으로 합니다.

주요 특징

• 컴팩트한 초기화: 서브샘플링된 공간에서 가우시안을 예측하며, 이전의 픽셀 단위 방법보다 16배 적은 가우시안 수를 사용합니다.
• 재귀적 정교화: 기울기를 필요로 하지 않고, 렌더링 오차를 기반으로 가중치 공유 모듈을 사용하여 가우시안을 정교화합니다.
• 테스트 시 적응: 추론 과정 중에 3D 표현을 반복적으로 개선할 수 있도록 합니다.