SVGS: 공간적으로 변화하는 색상을 가진 프리미티브를 활용한 가우시안 스플래팅 향상

SVGS: Enhancing Gaussian Splatting Using Primitives with Spatially Varying Colors

May 4, 2026

저자: Rui Xu, Wenyue Chen, Jiepeng Wang, Yuan Liu, Peng Wang, Cheng Lin, Shiqing Xin, Xin Li, Wenping Wang, Taku Komura

cs.AI

초록

가우시안 스플래팅은 가우시안 명시적 표현 기반의 다중 뷰 재구성에서 인상적인 결과를 보여줍니다. 그러나 현재의 가우시안 프리미티브는 장면의 외관과 기하구조를 표현하기 위해 단일 뷰 의존적 색상과 불투명도만을 가지므로, 비압축적인 표현을 초래합니다. 본 논문에서는 단일 가우시안 프리미티브 내에서 공간적으로 변화하는 색상과 불투명도를 활용하여 표현 능력을 향상시키는 SVGS(Spatially Varying Gaussian Splatting)라는 새로운 방법을 소개합니다. 우리는 공간적으로 변화하는 함수로서 쌍선형 보간, 이동 가능한 커널, 그리고 소형 신경망을 구현하였습니다. SVGS는 프리미티브로 2D 가우시안 서펠을 사용하며, 이는 고품질 기하구조 재구성을 유지하면서 새로운 시점 합성 능력을 크게 향상시킵니다. 이 접근법은 복잡한 텍스처와 상대적으로 단순한 기하구조가 결합된 장면이 실제 환경에서 빈번하게 발생하기 때문에 실용적인 응용 분야에서 특히 효과적입니다. 정량적 및 정성적 실험 결과는 세 가지 함수 모두 기준 방법보다 우수한 성능을 보여주며, 그 중 최고 성능의 이동 가능한 커널이 여러 데이터셋에서 뛰어난 새로운 시점 합성 성능을 달성하여 공간적으로 변화하는 함수의 강력한 잠재력을 부각시킵니다. 프로젝트 페이지: https://ruixu.me/html/SuperGaussians/index.html

English

Gaussian Splatting demonstrates impressive results in multi-view reconstruction based on Gaussian explicit representations. However, the current Gaussian primitives only have a single view-dependent color and an opacity to represent the appearance and geometry of the scene, resulting in a non-compact representation. In this paper, we introduce a new method called SVGS (Spatially Varying Gaussian Splatting) that utilizes spatially varying colors and opacity in a single Gaussian primitive to improve its representation ability. We have implemented bilinear interpolation, movable kernels, and tiny neural networks as spatially varying functions. SVGS employs 2D Gaussian surfels as primitives, which significantly enhances novel-view synthesis while maintaining high-quality geometric reconstruction. This approach is particularly effective in practical applications, as scenes combining complex textures with relatively simple geometry occur frequently in real-world environments. Quantitative and qualitative experimental results demonstrate that all three functions outperform the baseline, with the best movable kernels achieving superior novel view synthesis performance on multiple datasets, highlighting the strong potential of spatially varying functions. Project page: https://ruixu.me/html/SuperGaussians/index.html