Gaussian-Flow with Adaptive K-Loss using Poly-Fourier Coefficients

최근 3D Gaussian Splatting(이하 3DGS)의 등장으로 정적 장면에서의 렌더링 품질과 속도가 비약적으로 발전하였다. 이를 동적 장면으로 확장하기 위한 시도로 Gaussian-Flow(이하 GF)와 같은 방법론이 제안되었으며, 이는 Dual-Domain Deformation Model (DDDM)과 Poly-Fourier 공식을 통해 시간의 흐름에 따른 가우시안의 변형을 모델링한다. 본 논문에서는 GF의 학습 과정 중 인접한 가우시안 간의 움직임 일관성을 유지하기 위해 사용되는 K-Loss의 성능을 개선하는 새로운 기법을 제안한다. 기존의 단순 거리 기반 이웃 선정 방식 대신, 학습 파라미터인 Poly-Fourier 계수들에 미분 개념을 적용하고 주파수 가중치가 적용된 코사인 유사도를 통해 동적 특성이 유사한 가우시안을 선별하였다. D-NeRF 데이터셋의 Stand Up과 Mutant 시퀀스에 대한 실험 결과, 제안하는 방법은 기존 대비 PSNR을 약 0.1dB 향상시켰으며, L1, SSIM, LPIPS 지표에서도 개선된 성능을 보였다.