📌link: https://arxiv.org/abs/2403.14166
methodology 부분만 우선 정리

4. Methodology

densification & simplification → reorganizing the spatial distribution of Gaussians

4.1. Densification

이미지 내의 Gaussian 분포를 최적화하여 이미지의 선명도를 개선

1. Blur Split & Depth Initialization
   - Gaussian 분포가 고르게 배열되도록 하여 이미지의 초기화 단계에서 사용됨
   - Gaussian 블러 아티팩트 처리
   - Depth Initialization: 이미지의 깊이 정보를 활용하여 더 정확한 3D 재구성을 가능하게 한다
   
   
2. Gradient-based Split & Clone Strategy
   - 부드러운 색 전환을 위해 설계
   - 크고 비효율적인 Gaussian들은 최적화 과정에서 보존된다
   
   
3. 가우시안 투영, 가우시안 인덱스 렌더링
   - 각 픽셀에 대해 최대로 기여하는 Gaussian의 인덱스를 시각화한다. 이런 인덱스는 무작위 색상으로 표시되어 각 가우시안을 구별할 수 있다
   - 투영된 가우시안 인덱스와 실제 가우시안 인덱스를 비교함으로써 어느 가우시안이 가장 큰 영향을 미치는지 파악할 수 있다
   
   
4. Deblurring Strategy
   - 블러 처리가 필요한 Gaussian gi는 해당 Gaussian이 차지하는 최대 영역 Si가 임계값 Tblur 보다 클 때 식별된다. 이 임계값은 이미지의 해상도 H ×W와 하이퍼파라미터 θblur의 곱으로 계산된다.
   
   

❕수식 설명

이미지 내에서 블러 처리가 필요한 Gaussian gi를 식별하기 위한 기준

• 변수들 의미
  • gblur: 블러 처리 필요한 Gaussian 집합
  • gi: i번째 Gaussian
  • Si: i번째 Gaussian이 픽셀에 기여하는 최대 영역의 크기
  • Tblur: 블러 처리를 위한 threshold
  • θblur: 블러 처리의 정도를 결정하는 하이퍼파라미터
  • H, W: 이미지의 높이와 너비
• Si는 (H, W) 해상도에서 래스터화 과정을 통해 계산 가능
• gblur 집합은 Si가 Tblur 보다 큰 모든 Gaussian을 포함한다. 해당 Gaussian들이 이미지에 큰 블러 효과를 줘서, 선명도가 낮아지는 원인이 되기 때문에 특별한 처리가 필요하다.