[Notable] 3DGS(3D gaussian splatting) 은 Differentiable 한가?

▶3DGS 는 Explicit Representation (명시적 표현) 방식이지만, 렌더링 과정이 미분 가능하게 설계되어 있어서 학습할 수 있습니다.

 

✅ Explicit Representation인데 왜 Differentiable 할까?

보통 Explicit Representation(명시적 표현)은 3D 객체를 직접적으로 나타내는 방식이기 때문에, 미분이 어렵다고 생각할 수 있습니다.
예를 들어:

• Point Cloud (점 클라우드) → 단순한 3D 좌표 집합이므로 미분이 어려움.
• Mesh (메쉬, 삼각형 기반 모델) → 버텍스(Vertex)와 페이스(Face)로 표현되며, 일반적인 경우 미분이 쉽지 않음.

하지만 3DGS는 Gaussian Splatting을 사용하여 미분 가능(differentiable)한 방식으로 구현됨!

 

 

🔥 3DGS가 미분 가능한 이유

1. 렌더링 과정에서 Gaussian Splatting을 사용
   • Gaussian Splatting은 2D 이미지 평면에 3D Gaussian을 투영하여 합성(splatting)하는 과정.
   • 이 과정에서 Soft Blending(부드러운 합성) 을 사용하여 연속적인 값을 만들기 때문에 미분 가능함.
2. Gradient(기울기)를 통해 학습할 수 있음
   • 각 Gaussian의 위치, 크기, 방향, 색상, 투명도(Opacity), 조명 특성(Spherical Harmonics) 등을 미분 가능한 방식으로 최적화함.
   • 따라서 Loss Function을 통해 Gradient Descent(경사 하강법)로 학습 가능.

📌 결론: 3DGS는 명시적(Explicit) 표현 방식이지만, Gaussian Splatting 방식 덕분에 미분이 가능하여 딥러닝 학습이 가능함.

 

 

✅ NeRF는 왜 Differentiable 한가?

NeRF (Neural Radiance Fields)는 본질적으로 Implicit Representation(암시적 표현) 방식입니다.
즉, 3D 공간 전체를 뉴럴 네트워크를 통해 연속적인 함수로 표현하기 때문에 미분 가능함.

🔥 NeRF가 미분 가능한 이유

1. Volume Rendering을 사용
   • 광선을 쏴서 각 위치에서의 RGB와 밀도(Density)를 샘플링하여 이미지를 합성.
   • 이 과정이 연속적(Continuous)이고 미분 가능함.
2. 딥러닝 학습이 가능
   • 네트워크의 매개변수(Weights)가 Loss Function을 통해 최적화될 수 있도록 미분 가능하게 설계됨.

📌 결론: NeRF는 뉴럴 네트워크 기반의 Implicit Representation이므로 자연스럽게 미분 가능.]

 

 

3DGS는 Differentiable하다!

Gaussian Splatting 과정이 미분 가능하여 딥러닝 학습이 가능.
따라서, 기존 Explicit 방식(예: Mesh, Point Cloud)과는 다르게 End-to-End 학습 가능.