Fast 2DGS: 심층 가우시안 사전 정보를 활용한 효율적인 이미지 표현 기여 내용: • 본 논문에서는 반복적인 최적화-샘플링 루프를 통해 학습되는 초기화 전략인 딥 가우시안 사전 분포(Deep Gaussian Prior)를 제안합니다. 최적화 궤적을 시뮬레이션함으로써, 본 방법은 무작위 초기화의 균일한 편향을 깨뜨리는 콘텐츠 인식 분포를 포착하여 수렴 속도를 크게 향상시킵니다. • 본 논문에서는 가우시안 크기(K)를 압축률에 연결하는 간소화된 프레임워크를 제시합니다. 복잡한 특징 엔지니어링 없이 경량 백본을 활용하여, 난제였던 가우시안 할당 문제를 처리 가능하고 배치 병렬화 가능한 학습 작업으로 변환합니다. • 본 연구에서 제안하는 프레임워크는 기존의 가우시안 이미지 접근 방식과 비교하여 재구성 품질, 추론 지연 시간 및 데이터셋 간 일반화 가능성 사이에서 우수한 균형을 달성함을 보여줍니다.
논문 링크: arxiv.org/abs/2512.12774