[Notable] Explicit Representation VS Implicit Representation

 

1. Explicit Representation (명시적 표현)

🔍 정의:

Explicit Representation은 데이터를 직접적이고 구체적으로 표현하는 방식입니다.
모델이 다루는 구조, 특성, 데이터 포인트 등이 명확한 형태로 정의됩니다.

📊 예시:

1. 이미지 데이터:
   •  픽셀 값으로 이루어진 RGB 이미지
   •  각 픽셀의 색상, 위치가 정확하게 저장됨
2. 3D 모델링:
   •  메쉬(Mesh) 기반 모델: 점(vertex)과 면(face)의 좌표가 명확하게 기록됨
3. 통계 모델:
   •  가우시안 분포: 평균(μ)과 분산(σ²)이 명확하게 정의됨

✅ 장점:

•  직관적이고 해석이 쉬움
•  데이터나 구조의 변경이 용이
•  명확한 수식 또는 규칙에 기반

❌ 단점:

•  복잡한 데이터를 표현할수록 비용이 큼 (메모리, 계산량 증가)
•  고차원 데이터에서는 비효율적일 수 있음

---

2. Implicit Representation (암묵적 표현)

🔍 정의:

Implicit Representation은 데이터를 직접적으로 저장하거나 표현하지 않고, 내부 함수나 모델을 통해 정의하는 방식입니다.
데이터를 직접 저장하는 대신, 어떤 규칙이나 함수를 통해 그 데이터가 존재하는지 여부만을 알려줍니다.

📊 예시:

1. Signed Distance Function (SDF):
   •  점이 물체의 표면에서 얼마나 떨어져 있는지를 나타내는 함수
   •  3D 그래픽스에서 자주 사용
2. Implicit Neural Representations:
   •  데이터 자체를 저장하지 않고, 신경망이 데이터의 특성을 암묵적으로 학습
   •  ex) NeRF (Neural Radiance Fields): 3D 장면을 신경망이 내부적으로 암묵적으로 모델링
3. 수학적 표현:
   •  원의 방정식: x^2 + y^2 = r^2
   •  원의 점들을 따로 저장하지 않고, 이 방정식이 만족하는 점이 원의 점임을 정의

✅ 장점:

•  데이터 압축이 용이 (메모리 절약)
•  고차원 복잡한 구조를 효율적으로 표현 가능
•  더 유연한 데이터 처리 가능 (연속적 표현 가능)

❌ 단점:

•  직관적으로 해석하기 어려움
•  복원하거나 직접적으로 조작하기 어려움
•  모델 학습 과정이 복잡할 수 있음