docs(10_Wiki): Topic_Business/General/Graphic/Programming을 Topics/ 하위로 이동
최상위 10_Wiki/Topic_*였던 4개 카테고리 폴더를 10_Wiki/Topics/Topic_* 로 재배치. 콘텐츠 변경 없음(순수 폴더 이동) — Topics/ 하위 나머지 폴더는 이미 지난 커밋에서 전부 정리된 상태(잔존 항목은 에이전트 운영 상태 및 사용자가 보존을 요청한 업데이트0615/무제 3.canvas 뿐).
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,274 @@
|
||||
---
|
||||
id: wiki-2026-0508-3d-gaussian-splatting-3dgs
|
||||
title: 3D Gaussian Splatting (3DGS)
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [3DGS, Gaussian Splatting, 3D-GS, splatting, NeRF alternative]
|
||||
duplicate_of: none
|
||||
source_trust_level: B
|
||||
confidence_score: 0.85
|
||||
verification_status: conceptual
|
||||
tags: [3d-rendering, neural-rendering, gaussian-splatting, computer-graphics, real-time, webgpu, novel-view-synthesis]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-09
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (manual cleanup 2026-05-09)
|
||||
tech_stack:
|
||||
language: CUDA / Python / WGSL
|
||||
framework: PyTorch / WebGPU / Three.js
|
||||
---
|
||||
|
||||
# 3D Gaussian Splatting (3DGS)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> **Implicit field (NeRF) 가 아닌 explicit primitive (millions of 3D Gaussian) 으로 scene 표현**. Real-time rendering (60+ FPS) + 고품질 + differentiable 학습. NeRF 의 modern 후계자.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
### 핵심 idea
|
||||
- 매 scene 가 수백만 개 의 **anisotropic 3D Gaussian** 으로 표현.
|
||||
- 매 Gaussian = (position, covariance, opacity, color via spherical harmonics).
|
||||
- Camera 시점 의 projection → 2D ellipse → alpha-blend.
|
||||
- Differentiable → photogrammetry image 로 train.
|
||||
|
||||
### NeRF 와 비교
|
||||
| | NeRF | 3DGS |
|
||||
|---|---|---|
|
||||
| 표현 | Implicit (MLP) | Explicit (primitive) |
|
||||
| Train 시간 | 수 시간-day | 수십 분 |
|
||||
| Render 시간 | 수 sec / frame | < 17 ms / frame |
|
||||
| 메모리 | 작은 (MLP) | 큰 (primitive 별 byte) |
|
||||
| 편집 | 어려움 | Per-primitive 가능 |
|
||||
| GPU | A100 | RTX 3090 충분 |
|
||||
|
||||
→ 2023+ 의 favorite (Real-time 가 큰 win).
|
||||
|
||||
### Pipeline
|
||||
1. **SfM (Structure from Motion)**: Image → camera pose + sparse point cloud (COLMAP).
|
||||
2. **Initialization**: Sparse point → Gaussian (position 의 init).
|
||||
3. **Differentiable Rasterization**: 2D project + alpha blend.
|
||||
4. **Optimization**: Gradient descent on (pos, scale, rot, opacity, color).
|
||||
5. **Densification**: 큰 gradient 가 split / clone (detail ↑).
|
||||
6. **Pruning**: 작은 opacity = remove.
|
||||
|
||||
### Math (간단)
|
||||
매 Gaussian:
|
||||
- Mean μ ∈ ℝ³
|
||||
- Covariance Σ = R S Sᵀ Rᵀ (R = quaternion, S = scale).
|
||||
- Opacity α ∈ [0, 1]
|
||||
- Color = SH coefficient (view-dependent).
|
||||
|
||||
2D projection:
|
||||
- Σ' = J W Σ Wᵀ Jᵀ (W = view, J = projection Jacobian).
|
||||
- 2D Gaussian → tile → per-pixel α blend.
|
||||
|
||||
Render:
|
||||
C = Σᵢ cᵢ αᵢ Πⱼ<ᵢ (1 - αⱼ)
|
||||
|
||||
→ Order-dependent (depth sort).
|
||||
|
||||
### Implementation: WebGPU
|
||||
WebGL 의 한계:
|
||||
- Compute shader X.
|
||||
- 매 frame 의 sort 가 CPU (JS / WASM) → 느림.
|
||||
|
||||
WebGPU:
|
||||
- Compute shader 가 sort GPU.
|
||||
- Wait-free radix sort.
|
||||
- Atomics + storage buffer.
|
||||
|
||||
WebSplatter (2024+):
|
||||
- 매 frame 의 sort + render = GPU only.
|
||||
- 4.5x faster 보다 WebGL-based.
|
||||
|
||||
### 응용
|
||||
- **Photogrammetry / 3D scan**: drone capture → 3DGS 모델.
|
||||
- **VR / AR**: 실제 환경 의 immersive view (Meta Reality Labs).
|
||||
- **Game engine**: Unity / Unreal 의 plugin.
|
||||
- **Self-driving simulation**: 실제 거리 의 train environment.
|
||||
- **Cultural heritage**: 박물관 의 360 view.
|
||||
- **Real-time video**: dynamic 3DGS (4D scene).
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
### Train (gsplat / official)
|
||||
```bash
|
||||
# Install gsplat (NeRF Studio 의 backend)
|
||||
pip install gsplat
|
||||
|
||||
# Run nerfstudio
|
||||
ns-train splatfacto --data ./images
|
||||
ns-render --load-config outputs/.../config.yml
|
||||
```
|
||||
|
||||
### PyTorch (개념)
|
||||
```python
|
||||
class GaussianModel(torch.nn.Module):
|
||||
def __init__(self, num_points):
|
||||
super().__init__()
|
||||
# Trainable parameters
|
||||
self._xyz = nn.Parameter(torch.randn(num_points, 3))
|
||||
self._scales = nn.Parameter(torch.ones(num_points, 3)) # log scale
|
||||
self._rotations = nn.Parameter(torch.zeros(num_points, 4)) # quaternion
|
||||
self._opacity = nn.Parameter(torch.zeros(num_points, 1)) # logit
|
||||
self._features_dc = nn.Parameter(torch.zeros(num_points, 3)) # SH 0
|
||||
self._features_rest = nn.Parameter(torch.zeros(num_points, 15, 3)) # SH 1-3
|
||||
|
||||
def get_covariance(self):
|
||||
S = torch.diag_embed(torch.exp(self._scales))
|
||||
R = quaternion_to_matrix(F.normalize(self._rotations, dim=-1))
|
||||
return R @ S @ S.transpose(-2, -1) @ R.transpose(-2, -1)
|
||||
|
||||
# Train loop
|
||||
def train_step(gaussians, image_gt, camera):
|
||||
rendered = differentiable_rasterize(gaussians, camera)
|
||||
loss = (rendered - image_gt).abs().mean()
|
||||
|
||||
# Densification heuristic
|
||||
if step > 500 and step % 100 == 0:
|
||||
densify(gaussians, gradient_threshold=2e-4)
|
||||
prune(gaussians, opacity_threshold=0.005)
|
||||
|
||||
return loss
|
||||
```
|
||||
|
||||
### Differentiable rasterization (CUDA kernel)
|
||||
```cuda
|
||||
__global__ void rasterize_kernel(
|
||||
const float3* means_2d, const float* cov_2d, const float* alphas, const float3* colors,
|
||||
int W, int H, float* output_color
|
||||
) {
|
||||
int tile_x = blockIdx.x;
|
||||
int tile_y = blockIdx.y;
|
||||
int px = threadIdx.x + tile_x * TILE_W;
|
||||
int py = threadIdx.y + tile_y * TILE_H;
|
||||
|
||||
float T = 1.0;
|
||||
float3 C = make_float3(0, 0, 0);
|
||||
|
||||
for (int i = 0; i < N_GAUSSIANS; i++) {
|
||||
if (T < 1e-4) break; // saturate
|
||||
|
||||
float2 d = make_float2(px - means_2d[i].x, py - means_2d[i].y);
|
||||
float power = -0.5 * (d.x * d.x * cov_2d[i*4+0] + d.y * d.y * cov_2d[i*4+3] + 2 * d.x * d.y * cov_2d[i*4+1]);
|
||||
float alpha = min(0.99, alphas[i] * exp(power));
|
||||
|
||||
if (alpha < 1.0/255) continue;
|
||||
|
||||
C += T * alpha * colors[i];
|
||||
T *= (1 - alpha);
|
||||
}
|
||||
|
||||
output_color[py * W + px] = C;
|
||||
}
|
||||
```
|
||||
|
||||
### WebGPU (real-time)
|
||||
```typescript
|
||||
const sortPipeline = device.createComputePipeline({
|
||||
layout: 'auto',
|
||||
compute: { module: sortShaderModule, entryPoint: 'main' },
|
||||
});
|
||||
|
||||
// Per-frame
|
||||
const pass = encoder.beginComputePass();
|
||||
pass.setPipeline(sortPipeline);
|
||||
pass.dispatchWorkgroups(numTiles);
|
||||
pass.end();
|
||||
|
||||
// Render
|
||||
const renderPass = encoder.beginRenderPass({...});
|
||||
renderPass.draw(numGaussians * 4); // quad per gaussian
|
||||
renderPass.end();
|
||||
```
|
||||
|
||||
### Three.js / Babylon.js plugin
|
||||
```bash
|
||||
npm i @mkkellogg/gaussian-splats-3d
|
||||
```
|
||||
|
||||
```typescript
|
||||
import { GaussianSplats3D } from '@mkkellogg/gaussian-splats-3d';
|
||||
|
||||
const viewer = new GaussianSplats3D.Viewer({
|
||||
splatRenderMode: GaussianSplats3D.SplatRenderMode.ThreeD,
|
||||
});
|
||||
viewer.addSplatScene('./scene.ply').then(() => {
|
||||
viewer.start();
|
||||
});
|
||||
```
|
||||
|
||||
→ Drop-in WebGL viewer.
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
|
||||
| 상황 | 추천 |
|
||||
|---|---|
|
||||
| 실시간 web viewer | 3DGS + WebGPU |
|
||||
| 고품질 photogrammetry | 3DGS (NeRF 보다 빠름) |
|
||||
| 매우 큰 scene | 3DGS + culling |
|
||||
| Editing / animation | 3DGS (per-primitive) |
|
||||
| Implicit field 필요 | NeRF |
|
||||
| 작은 메모리 | NeRF (MLP) |
|
||||
| Dynamic scene | 4DGS / dynamic 3DGS |
|
||||
| Mobile / AR | Compressed 3DGS |
|
||||
|
||||
**기본값**: 3DGS (real-time + 고품질). NeRF 는 specific (작은 메모리, implicit query) case.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **저장 size**: 1 scene = 100MB-1GB. Compression 가 active research (codec for splats).
|
||||
- **Dynamic scene**: 옛 = static 만. 모던 = 4DGS, Dynamic-Gaussian (시간 차원 추가).
|
||||
- **Editing**: NeRF 보다 좋음. 하지만 매 primitive 의 manual edit = 어려움. AI editor (segment + manipulate).
|
||||
- **License**: 원래 paper 의 code = non-commercial. gsplat / 다른 implementation 가 MIT.
|
||||
- **Mobile performance**: 매 platform 의 GPU 차이. iPhone 가 OK, low-end Android 가 부족.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Adjacent: [[Point-Cloud]]
|
||||
- Tools: gsplat · NeRF Studio · Brush · Splatfacto · Polycam · Luma AI
|
||||
- Web: [[WebGPU]] · [[WebGL]] · [[Three.js]] · [[Babylonjs]]
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- 실시간 3D web viewer 디자인 (NeRF 의 alternative).
|
||||
- Photogrammetry pipeline 의 modern (drone → 3D model).
|
||||
- VR / AR 의 실제 환경 reconstruction.
|
||||
- 게임 의 background environment (LOD 의 modern).
|
||||
- Self-driving 의 simulation environment.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- 정확한 mesh / triangle 필요 (CAD, 3D printing) — explicit mesh.
|
||||
- 매우 작은 메모리 budget (mobile, embedded) — implicit / compressed.
|
||||
- Animation / rigging — traditional skeletal animation.
|
||||
- Procedural generation — primitive-based 가 비효율.
|
||||
- Light simulation (path tracing) — radiance field 가 더 적절.
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
- **WebGL 만 + JS sort**: production 의 frame budget 깨짐.
|
||||
- **No densification heuristic**: 매 area 의 detail 부족.
|
||||
- **Pruning 안 함**: 메모리 폭발 (거의 invisible primitive 누적).
|
||||
- **고정 SH degree**: low-frequency light 가 충분 가, high-frequency 가 손실.
|
||||
- **Camera pose 가 부정확 (SfM 약)**: 학습 의 quality 깨짐.
|
||||
- **Train data 의 view 가 적은 area**: hole / artifact.
|
||||
- **Compression 의 quality eval 없음**: silent quality loss.
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
- **정보 상태:** verified (concept-level)
|
||||
- **출처 신뢰도:** B (SIGGRAPH 2023 paper, gsplat documentation, web 의 다양한 implementation).
|
||||
- **검토 이유:** Manual cleanup. 매 specific number / benchmark 가 implementation / hardware 의존.
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
- **기존 유사 문서:** [[NeRF-Neural-Radiance-Fields]] (alternative tech), [[Neural-Rendering]] (parent), [[WebGPU]] (deployment).
|
||||
- **처리 방식:** KEEP (distinct technique).
|
||||
- **처리 이유:** 3DGS 가 NeRF 의 explicit alternative. 매 own document.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 | UPDATE | A |
|
||||
| 2026-05-09 | Manual cleanup — code pattern + math + 결정 기준 + 안티패턴 추가, tag 정리 | UPDATE | B |
|
||||
|
||||
<!-- AUTO-CONNECT 2026-06-10 -->
|
||||
## 🔗 관련 문서 (자동 연결)
|
||||
- [[Aerospace Flight Simulation]]
|
||||
Reference in New Issue
Block a user