본 논문은 텍스트 프롬프트로부터 3D 모델을 생성하는 데 효과적인 기법인 점수 증류 샘플링의 한계점을 해결하고자 제안된 연구입니다. 기존 점수 증류 샘플링은 역 쿨백-라이블러 발산(KL divergence) 목적 함수를 사용하여 과포화 및 과평활화된 3D 모델을 생성하고 다양성이 부족하다는 문제점을 가지고 있습니다. 본 논문에서는 이러한 문제를 해결하기 위해, 젠센-섀넌 발산(JSD) 기반의 경계 점수 증류 목적 함수를 제시합니다. JSD는 생성 분포와 목표 분포를 잘 일치시켜 모드 탐색 문제를 완화합니다. 또한, 생성적 적대 신경망 이론을 활용하여 JSD에 대한 근사 목적 함수를 정의하고, 로그-오즈 분류기를 따르는 판별기를 가정하여 소수 샘플링 알고리즘을 제안하여 JSD의 실제 구현을 제공합니다. 이론적 및 실험적 연구를 통해 제안된 방법의 유효성을 검증하였으며, T3Bench 데이터셋에서 고품질의 다양한 3D 자산을 생성함을 실험적으로 보여줍니다.
