실용적인 3D 가우시안 스플래팅 압축 방법론 제안

고품질의 신규 시점 합성(novel-view synthesis)을 가능하게 하는 3D Gaussian Splatting(3DGS)은 상당한 저장 공간을 요구하는 실용적 한계가 있습니다. 기존 압축 방식들은 불규칙한 3차원 표현에 대한 공간적 컨텍스트 모델링에 의존하여 학습 및 코딩의 복잡성을 높였으며, 부동소수점 기반의 컨텍스트 추론은 플랫폼 간 수치적 불일치를 초래해 엔트로피 디코딩 실패를 야기하는 문제가 있었습니다.

이러한 문제점을 해결하기 위해 연구진은 COSA-GS라는 프레임워크를 제안했습니다. 이 방식은 공간적 집계 없이 앵커(anchor)별 인과적 분해(causal factorization)를 통해 컨텍스트를 구성합니다. 각 앵커의 좌표에서 추출한 기하학적 컨텍스트를 사용하여 압축 가능한 앵커 잠재(latent)를 모델링하고, 이를 속성 코딩을 위한 앵커 컨텍스트로 결합합니다. 결과적으로 이 컨텍스트 모델은 선형 변환과 활성화 함수만으로 구성된 단순한 구조를 가집니다.

COSA-GS는 적응형 가우시안 가지치기(adaptive Gaussian pruning)와 함께 레이트-디스토션 최적화로 훈련되었으며, 플랫폼 전반에 걸쳐 엔트로피 디코딩 심볼의 비트 단위 일관성을 달성하기 위해 양자화 인식 훈련과 정수 추론을 개발했습니다. 실험 결과, COSA-GS는 빠른 속도와 일관된 크로스 플랫폼 디코딩 성능을 유지하면서 최첨단 압축 성능을 달성하는 것으로 나타났으며, 관련 코드는 공개되어 있습니다.