제 7 장 — 내장 품질 프리셋

위치

인스펙터 → Presets 섹션 → "Classic" 그룹 → "Quick" 항목. UUID 접미사 …001.

기술적 설명

1 000 반복, 고전적 (적응) Densification 전략, 0.25배 학습 해상도 스케일링 (입력 이미지가 학습 전에 25%로 축소됨) 이 있는 진단 프리셋. 장면을 제공하는 것이 아니라 설정 (카메라 포즈, 점 구름, 이미지 시리즈) 이 Loss 값에서 의미 있는 움직임을 보여 주는지 빠르게 확인해야 합니다. M3 Ultra에서 일반적으로 50–200 이미지에서 30초 미만. 작은 해상도는 실제 이미지 품질을 가리지만 메모리 요구량과 렌더 비용을 매우 낮게 유지합니다. 시스템에 10 GB RAM 미만이 있는 경우 첫 시작 시 자동으로 기본값으로 선택됩니다.

위치

인스펙터 → Presets 섹션 → "Classic" 그룹 → "Preview" 항목. UUID 접미사 …002.

기술적 설명

5 000 반복 Classic Densification, 0.5배 해상도 스케일링, 표준 대비 두 배 학습률. Densification (Clone + Split) 은 처음 2 500 반복에 걸쳐 활성, 그 후 Pruning만. ≥ 10 GB RAM 시스템의 기본 프리셋. M3 Ultra에서 일반적으로 200 이미지 장면에 90초에서 3분. 형상과 카메라 포즈의 사용 가능한 인상을 제공하지만 텍스처는 눈에 띄게 부드럽게 표현됩니다 — 학습률이 절반 해상도에 맞게 보정되어 있기 때문에 0.5× 렌더 해상도는 P3 또는 P4로 재학습하여 직접 우회할 수 없습니다.

위치

인스펙터 → Presets 섹션 → "Classic" 그룹 → "Balanced" 항목. UUID 접미사 …005.

기술적 설명

전체 이미지 해상도에서 20 000 반복 Classic Densification. Densification은 처음 15 000 반복에 걸쳐 실행되며, Iter 3 000부터 100의 Densify 간격으로. 경험적으로 문서화된 학습 세션의 "스위트 스폿": Horse Full과 Truck의 고전적 Densification에서 L1 Loss가 Iter 18 000과 22 000 사이에서 안정화되며, 더 긴 학습은 Quality (P4) 미만에서 더 이상 유의미한 개선을 가져오지 않습니다. M3 Ultra에서 일반적으로 200 이미지에서 30–60초, 1 000+ 이미지에서 5–8분.

위치

인스펙터 → Presets 섹션 → "Classic" 그룹 → "Quality" 항목. UUID 접미사 …003.

기술적 설명

V546 "Opacity Decay" (HTGS, Eurographics 2025) 가 있는 35 000 반복 Classic Densification: 각 Densify Cycle 후 모든 기존 Gaussian의 Opacity가 < 1.0 인수로 곱해집니다. 이는 비활성화된 Gaussian을 Pruning에서 안정적으로 제거하고 따라서 동일한 Iter 수에서 고전적 35 000 실행보다 14% 더 나은 L1 Loss를 달성합니다. SSIM Loss가 활성화됨 (ssimWeight=0.05). M3 Ultra에서 일반적으로 200 이미지에서 2–4분. NeRF Blender (Lego, Chair, Drums) 에서 최종 L1 ≈ 0.023 제공 — 560+ 문서화된 실험에서 최고의 Classic 변형. 참고: ~3–5 GB GPU 메모리 필요. 8 GB 시스템에서는 P3가 안전한 선택입니다.

위치

인스펙터 → Presets 섹션 → "MCMC" 그룹 → "Preview" 항목. UUID 접미사 …006.

기술적 설명

100 000 Gaussian Cap에서 60 000 반복 MCMC Densification (3DGS-MCMC, NeurIPS 2024). MCMC는 휴리스틱 Clone/Split 로직을 Markov Chain Monte Carlo Relocation으로 대체합니다: 죽은 Gaussian이 Sigmoid 가중 샘플링 깊이를 통해 새로 배치되어 제어되고 재현 가능한 Gaussian 수를 산출합니다. Cap은 최대 수를 100K에서 하드 제한합니다 — 이는 메모리와 렌더 시간을 절약하지만 세부 정보가 듭니다. M3 Ultra에서 일반적으로 200 이미지에서 5–8분. "MCMC 기능 테스트"로 적합 — P6 또는 P7에 더 많은 시간을 투자하기 전에 Classic에서 MCMC로 전환이 의미가 있는지 평가하는 데 도움이 됩니다.

위치

인스펙터 → Presets 섹션 → "MCMC" 그룹 → "Balanced" 항목. UUID 접미사 …007.

기술적 설명

150 000 Gaussian Cap에서 120 000 반복 MCMC. 중간 MCMC 단계 — P7 Quality의 거의 최종 Gaussian 수이지만 반복은 60%만. 경험적으로 L1 Loss는 문서화된 학습 세션에서 Horse Full에서 0.026–0.028, P7의 0.0246에 비해 — 즉 약 7% 더 높지만 대기 시간은 절반. M3 Ultra에서 일반적으로 200 이미지에서 8–15분. 입력 SfM 점 구름의 점 밀도에 효과적인 Gaussian Cap을 스케일링하는 mcmcAutoScaleByScene 절차를 사용합니다 (제 6 장 T75 참고).

위치

인스펙터 → Presets 섹션 → "MCMC" 그룹 → "Quality" 항목. UUID 접미사 …004.

기술적 설명

150 000 Gaussian Cap에서 200 000 반복 MCMC, SSIM Loss 0.05, 반복의 80% 이상에 걸친 MCMC Noise Decay. 560+ 실험에서 Best Single Run L1: Horse Full에서 0.0238, 3 trial 평균 0.0246 (같은 장면의 P4 0.0230 대비). MCMC는 71% 적은 Gaussian (150K vs ~524K) 을 제공합니다 — 더 작은 클라우드가 상당히 작은 내보내기 파일을 생성하므로 결과를 웹에 제공하려는 경우 결정적입니다. M3 Ultra에서 학습 시간은 일반적으로 200 이미지에서 20–35분. 1 000+ 이미지 세트에서는 1–2 시간. 최소 종료 크기에서 최대 이미지 품질이 원하는 경우 최선의 선택.

위치

인스펙터 → Presets 섹션 → "Scene-Class" 그룹 → "Render (3D)" 항목. UUID 접미사 …700.

기술적 설명

이미지 합성/CGI 같은 장면 (NeRF Blender, Mip-NeRF 360 Flowers, Blender 렌더링된 테스트 세트) 용 Scene-Class 프리셋. Q7 BayesOpt Sweep (flowers의 Trial T10, Seed 7, Budget 20) 은 다음을 결정했습니다: mcmcMaxGaussians=1 189 511, mcmcCapMultiplier=2.98, ssimWeight=0.051, densifyGradThreshold=3.34e-06, mcmcNoiseScale=5.61e-05. Quality MCMC Baseline 대비 Δ +0.36 dB PSNR (17.67 → 18.03). Mip-Splatting은 의도적으로 꺼짐 (Q1.5 "closed no-win" Verdict 2026-05-25), Sky-Dome도 꺼짐 (합성 장면은 실제 하늘이 없음). 주요 레버는 8× 더 큰 Gaussian 상한 — 깨끗한 알파와 조밀한 텍스처가 있는 합성 장면이 더 높은 밀도에 강하게 반응합니다. 200 이미지에서 학습 시간은 대략 P7과 같습니다.

위치

인스펙터 → Presets 섹션 → "Scene-Class" 그룹 → "Outdoor (tuned)" 항목. UUID 접미사 …701.

기술적 설명

실제 하늘과 큰 깊이 범위가 있는 야외 촬영 (Mip-NeRF 360 Bicycle/Garden, ETH3D Tunnel, 드론 비행) 용 Scene-Class 프리셋. Q7 BayesOpt Sweep (bicycle의 Trial T0, Seed 7, Budget 10) 은 다음을 결정했습니다: mcmcMaxGaussians=1 250 744, mcmcCapMultiplier=5.32, ssimWeight=0.082, skyDomeRadiusMultiplier=59.0. Quality MCMC 대비 Δ +1.40 dB PSNR (21.66 → 23.06) — 모든 9개 유효 bicycle Trial이 +1.0 dB 임곗값을 깼습니다. 야외 장면은 더 높은 Gaussian 예산 (스케일된 깊이 범위) 과 V549e Sky-Dome (장면 주위의 구형 투영된 Sky 픽셀) 에 극도로 강하게 반응합니다. Cap Multiplier 5.32는 MCMC Relocation이 먼 이미지 영역에서 더 공격적으로 샘플링할 수 있게 합니다. Mip-Splatting은 의도적으로 꺼짐 (Q1.5 Verdict: 야외에서 PSNR을 악화시키기까지 합니다). UI의 "(tuned)" 접미사 권장 — 튜닝되지 않은 Indoor 대응 대비 품질 점프가 4배 이상 큽니다.

위치

인스펙터 → Presets 섹션 → "Scene-Class" 그룹 → "Indoor" 항목. UUID 접미사 …702.

기술적 설명

실내 공간 (Mip-NeRF 360 Bonsai/Kitchen/Room, Deep Blending playroom/drjohnson, ETH3D Storage Room) 용 Scene-Class 프리셋. Q7 BayesOpt Sweep (bonsai의 Trial T6, Seed 7, Budget 8) 은 다음을 결정했습니다: mcmcMaxGaussians=669 215, mcmcCapMultiplier=1.76, densifyGradThreshold=1.67e-06, pruneOpacityThreshold=0.0142, ssimWeight=0.171. Quality MCMC 대비 Δ +0.33 dB PSNR (29.63 → 29.96). 3/8 Trial이 +0.2 dB 임곗값을 깸, 8/8 유효 (mtime Stall Guard 덕분에 Stall 없음). 실내 공간은 야외의 약 절반만큼 강하게 반응합니다 — Δ +0.33 vs +1.40 dB — 약 절반의 Gaussian 예산 (670K vs 1.25M) 으로. 이유: 벽에 의해 제한된 형상이 더 일찍 포화됩니다. 더 많은 Gaussian이 평평한 벽 표면에서 낭비됩니다. Cap Multiplier 1.76은 MCMC Collapse (v1.4.3 현상) 를 피하기 위해 의도적으로 보수적으로 선택되었습니다. Sky-Dome과 Mip-Splatting 둘 다 꺼짐.