실제 동영상으로부터의 고품질 새로운 시점 합성(NVS)은 문화유산 보존, 디지털 트윈, 몰입형 미디어와 같은 응용에 있어 필수적이다. 그러나 실제 동영상은 일반적으로 카메라 궤적이 불규칙하고 포즈가 알려지지 않은 긴 연속 구간을 포함하며, 이로 인해 재구성 과정에서 포즈 드리프트, 특징 불일치, 기하학적 왜곡이 발생한다. 또한 손실 압축은 기하 및 렌더링 품질을 점진적으로 저하시키는 불일치들을 도입함으로써 이러한 문제를 더욱 악화시킨다. 최근 연구들은 긴 연속 구간 NVS 또는 무포즈 재구성을 각각 다루어 왔지만, 압축을 인지하는 접근법은 여전히 특정 인공물이나 제한된 시나리오에 초점을 맞추는 경향이 있어 긴 동영상에서 나타나는 다양한 압축 양상이 충분히 탐구되지 못했다. 본 논문에서는 프레임 단위 압축 특성을 명시적으로 모델링하여 프레임 간 불일치와 누적된 기하학적 오차를 완화하는 압축 인지 학습 프레임워크인 CompSplat을 제안한다. CompSplat은 압축 인지 프레임 가중치와 적응형 가지치기 전략을 통합하여, 특히 높은 압축 조건에서 강건성과 기하학적 일관성을 향상시킨다. Tanks and Temples, Free, Hike를 포함한 도전적인 벤치마크에 대한 광범위한 실험 결과, CompSplat은 최신 수준의 렌더링 품질 및 포즈 정확도를 달성하며, 심각한 압축 조건에서 대부분의 최근 NVS 접근법을 유의미하게 능가함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.