3D Gaussian Splatting은 가우시안 혼합물을 이용하여 3D 장면을 모델링하는 유망한 방법으로 떠올랐습니다. 기존의 최적화 방법은 미분 가능한 렌더링 파이프라인을 통한 역전파에 의존하는데, 연속적인 데이터 스트림을 처리할 때 치명적인 망각 문제를 겪습니다. 본 논문에서는 가우시안 스플랫 훈련을 모델 파라미터에 대한 변분 추론으로 구성하는 새로운 방법인 Variational Bayes Gaussian Splatting (VBGS)를 제안합니다. 다변량 가우시안의 공액 특성을 활용하여 폐쇄형 변분 업데이트 규칙을 도출하여, 재생 버퍼 없이 부분적이고 순차적인 관측으로부터 효율적인 업데이트를 가능하게 합니다. 실험 결과 VBGS는 정적 데이터셋에서 최첨단 성능과 동등한 수준을 달성할 뿐만 아니라, 순차적으로 스트리밍되는 2D 및 3D 데이터로부터의 지속적인 학습을 가능하게 하여 이러한 설정에서 성능을 크게 향상시킵니다.
