TreeDGS: Aerial Gaussian Splatting for Distant DBH Measurement

본 논문은 3D 가우스 스플래팅을 활용하여 항공 이미지에서 멀리 떨어진 나무의 흉고직경 (DBH) 을 정밀하게 측정하는 TreeDGS 방법을 제안하며, 이를 통해 기존 LiDAR 기반 방법보다 높은 정확도와 저비용을 실현함을 보여줍니다.

핵심

🌲 핵심 아이디어: "수백 장의 사진으로 나무의 실루엣을 재구성하다"

우리가 숲을 드론으로 찍을 때, 나무 줄기는 멀리 떨어져 있고 나뭇잎에 가려져 있어 사진 속에서는 매우 가늘고 흐릿한 선처럼 보입니다. 마치 멀리서 본 연필 끝처럼요.

기존의 기술들은 이 흐릿한 선을 바탕으로 3D 모델을 만들려고 했지만, 나뭇잎에 가려진 부분이나 흐릿한 부분 때문에 나무 줄기의 정확한 모양을 잡지 못해 두께를 재는 데 실패하곤 했습니다.

TreeDGS는 이 문제를 해결하기 위해 **"3D 가우시안 스플래팅 (3D Gaussian Splatting)"**이라는 최신 기술을 사용합니다.

🎈 비유: "수만 개의 반투명 풍선으로 나무를 만들기"

1. 기존 방식 (SfM/MVS):

   • 마치 모자이크처럼 점 (픽셀) 들을 하나하나 맞춰서 나무를 만들려고 합니다.
   • 하지만 나뭇잎이 가리면 점들이 끊기거나, 나뭇잎과 줄기가 섞여서 어떤 게 줄기인지 구분이 안 됩니다. 결과물이 뚝뚝 끊기거나 찌그러진 모양이 됩니다.

2. TreeDGS 방식 (3D 가우시안 스플래팅):

   • 대신, **수만 개의 반투명한 작은 풍선 (3D 가우시안)**을 공중에 뿌려서 나무 모양을 만듭니다.
   • 이 풍선들은 서로 겹치면서 나무 줄기의 형태를 자연스럽게 채워줍니다. 나뭇잎이 가려져 있어도 풍선들이 그 공간을 '가상'으로 채워주어 나무의 전체적인 윤곽을 유지할 수 있습니다.
   • 중요한 건, 이 풍선들은 **불투명도 (Opacity)**라는 속성을 가지고 있다는 점입니다. "이 부분은 진짜 나무 줄기일 확률이 높다"면 풍선이 더 불투명해지고, "나뭇잎이나 배경일 것 같다"면 더 투명해집니다.

---

🛠️ 작동 원리: 3 단계로 나무 두께를 재는 마법

TreeDGS 는 이 풍선들을 이용해 나무 줄기 두께 (DBH, 가슴 높이 기준) 를 재는데, 크게 3 단계를 거칩니다.

1 단계: 풍선들을 다듬기 (불투명도 기반 샘플링)

• 만들어진 수만 개의 풍선 중에서 진짜 줄기 부분만 골라냅니다.
• 비유: "이 풍선은 나무 줄기일 확률이 90% 이상이다"라고 표시된 풍선들만 남기고, 나뭇잎이나 배경일 것 같은 투명한 풍선들은 버립니다.
• 이렇게 하면 나뭇잎에 가려진 부분도 풍선들이 채워주고 있어서, 나무 줄기의 표면이 매끄럽게 복원됩니다.

2 단계: 나무 줄기만 분리하기 (3D 분할)

• 이제 풍선들 사이에서 나뭇잎과 줄기를 구분합니다.
• 비유: AI 가 "이건 줄기야, 이건 잎이야"라고 분류해 줍니다. 나뭇잎으로 만든 풍선들은 치우고, 줄기만 남깁니다.

3 단계: 두께 측정하기 (불투명도 가중치 원 fitting)

• 나무 줄기를 여러 개의 수평 단면 (토막) 으로 잘라낸다고 상상해 보세요.
• 각 단면에서 가장 불투명한 (신뢰도가 높은) 풍선들을 중심으로 원 (Circle) 을 그립니다.
• 핵심: 모든 점을 똑같이 취급하지 않습니다. "이 점은 여러 각도에서 찍힌 사진에서 모두 선명하게 보였다"는 점 (불투명도가 높은 점) 에는 **가중치 (신뢰도)**를 더 주고, "어떤 사진에서는 흐릿했다"는 점은 덜 중요하게 여깁니다.
• 이렇게 신뢰도 높은 점들만 모아 원을 그리면, 나뭇잎에 가려져서 생기는 오차를 줄이고 정확한 나무 두께를 구할 수 있습니다.

---

🏆 결과: 왜 이 기술이 특별한가요?

이 연구는 실제 숲에서 10 개의 구역 (플롯) 을 테스트했습니다.

1. 레이저 (LiDAR) 보다 더 정확할 수도 있습니다:

   • 보통 나무 두께를 재려면 고가의 레이저 스캐너 (LiDAR) 를 쓰는데, 이 기술은 **일반 드론 카메라 (RGB)**만으로도 레이저보다 더 정확한 결과를 냈습니다.
   • 오차 비교: 레이저 방식은 약 7.9cm 오차가 났는데, TreeDGS 는 4.8cm 오차로 훨씬 정확했습니다. (나무 두께가 10cm 정도라면 5mm 차이 정도인데, 이건 매우 큰 차이입니다.)

2. 비용 절감:

   • 비싼 레이저 장비가 필요 없고, 일반 드론과 카메라만 있으면 됩니다.

3. 나뭇잎이 있어도 괜찮습니다:

   • 나뭇잎에 가려진 부분도 풍선들이 채워주어, 나무 줄기의 모양을 잃지 않고 복원합니다.

---

💡 한 줄 요약

TreeDGS는 드론으로 찍은 일반 사진들을 **"수만 개의 반투명한 풍선"**으로 변신시켜, 나뭇잎에 가려진 나무 줄기의 숨겨진 모양을 완벽하게 복원하고, 가장 선명한 부분들만 모아 나무의 두께를 레이저보다 더 정확하게 재는 똑똑한 기술입니다.

이 기술이 보편화되면, 숲의 나무를 재는 비용이 크게 줄어들고 탄소 저장량 계산이나 산림 관리가 훨씬 쉬워질 것입니다.

기술 요약

1. 문제 정의 (Problem Statement)

• 배경: 항공 원격 감시 (UAV) 는 대규모 산림 조사를 효율적으로 수행할 수 있지만, 복잡한 자연 환경에서 개별 나무의 **가슴높이 직경 (DBH, Diameter at Breast Height)**을 정확하게 측정하는 것은 여전히 어렵습니다. DBH 는 목재 부피, 바이오매스, 탄소 저장량 추정을 위한 핵심 변수입니다.
• 핵심 난제:
  • 픽셀 및 시야 부족: 일반적인 UAV 비행 고도 (약 70m) 에서 나무 줄기는 이미지당 평균 15 픽셀 미만으로 매우 작게 나타납니다.
  • 가려짐 (Occlusion): 수관 (Canopy) 과 가지, 하층 식생으로 인해 가슴높이 (약 1.37m) 대역이 자주 가려져 단일 이미지에서 줄기를 관측하기 어렵습니다.
  • 기존 기술의 한계:
    • SfM-MVS (Structure-from-Motion): 희소한 특징점과 가려짐으로 인해 줄기 표면의 일관된 3D 구조를 복원하지 못합니다.
    • UAV LiDAR: 수직 비행 경로는 줄기 측면 (가슴높이) 에 대한 반사점을 희소하게 제공하며, 주변 식생의 노이즈로 인해 정확한 원통 피팅이 어렵습니다.
    • 기존 3D Gaussian Splatting (3DGS): 재현 (Rendering) 에는 탁월하지만, 직접적인 기하학적 측정 (직경 추정) 을 위해 표면 점 (Surface Points) 을 추출하는 과정이 명확하지 않으며, 기존 방식으로는 줄기 표면이 불완전하게 추출됩니다.

2. 제안 방법론: TreeDGS (Methodology)

TreeDGS 는 UAV RGB 이미지만으로 3D Gaussian Splatting 을 활용하여 DBH 를 측정하는 파이프라인입니다. 주요 단계는 다음과 같습니다.

2.1. 초기화 및 3D 가우시안 최적화

• SfM-MVS 초기화: 표준 SfM 과 OpenMVS 를 사용하여 카메라 자세와 초기 밀집된 점군을 생성합니다.
• RaDe-GS 최적화: 3D Gaussian Splatting (3DGS) 모델을 최적화합니다. 특히 RaDe-GS를 사용하여 깊이 (Depth) 정보를 명시적으로 표현하는 가우시안 필드를 학습합니다. 이는 후속 표면 추출을 위해 깊이 평면 (Depth-plane) 형식을 제공합니다.

2.2. 불투명도 (Opacity) 인지 표면 샘플링 (Key Innovation)

기존 3DGS 의 가우시안 중심점 (Mean) 만 추출하면 줄기가 매우 희소하게 분리되므로, 다음과 같은 불투명도 기반 밀집 샘플링을 수행합니다.

• 깊이 인지 누적 불투명도 통합 (Depth-aware Cumulative Opacity Integration): 렌더러의 전방 - 후방 (Front-to-back) 알파 합성 모델을 사용하여, 3D 공간의 임의의 점 $p$가 관찰자 시선 방향을 따라 얼마나 많은 불투명도를 누적했는지 계산합니다.
• 신뢰도 점수 부여: 각 샘플 점은 여러 뷰에서 일관되게 관측되었을 때 높은 **누적 불투명도 ($\bar{\alpha}$)**를 가지며, 이는 점의 신뢰도를 나타냅니다.
• 결과: 줄기 표면은 밀집된 점군으로 추출되지만, 나뭇잎이나 배경과 같은 불확실한 영역은 낮은 불투명도로 필터링됩니다.

2.3. 3D 줄기 분할 (Semantic Segmentation)

• 추출된 점군에서 ForestFormer3D 모델을 사용하여 '줄기 (Trunk)'와 '식생 (Vegetation)'을 분류합니다.
• DBH 측정을 위해 줄기 점만 분리하여 사용합니다.

2.4. 불투명도 가중 원 피팅 (Opacity-Weighted DBH Estimation)

• 슬라이스별 원 피팅: 줄기를 수평 슬라이스로 나누고, 각 슬라이스에서 고체 원 (Solid-circle) RANSAC 을 수행합니다.
  • 기존 LiDAR 방식은 원주 (Circumference) 점만 사용하지만, TreeDGS 는 가우시안 볼륨 내부의 점들도 포함하므로 **고체 원 (Filled disk)**으로 가정합니다.
• 불투명도 가중치 (Opacity Weighting): 각 점의 신뢰도 ($\bar{\alpha}$) 를 가중치로 사용하여 RANSAC 샘플링 및 인라이어 (Inlier) 점수를 계산합니다. 이는 노이즈가 많은 점 (부유 점, 나뭇잎 등) 이 피팅 결과에 미치는 영향을 줄여줍니다.
• 테이퍼 회귀 (Taper Regression): 슬라이스별 직경 추정치를 바탕으로 높이 방향의 테이퍼 (줄기 굵기 변화) 모델을 RANSAC 으로 피팅하여, 최종 DBH(가슴높이 1.37m 기준) 를 예측합니다.

3. 주요 기여 (Key Contributions)

1. TreeDGS 프레임워크: 픽셀과 시야가 제한된 UAV RGB 이미지에서 3D Gaussian Splatting 을 측정 중심의 장면 표현으로 재해석하여 DBH 를 직접 추정하는 방법을 제시했습니다.
2. 신뢰도 기반 점 추출: RaDe-GS 기반의 깊이 인지 누적 불투명도 통합을 통해, 표면 일관성을 가진 밀집 점군을 추출하고 다중 뷰 불투명도 신뢰도 점수를 부여했습니다.
3. 실제 검증 및 성능: 관리된 로블리 소나무 (Loblolly pine) 숲 (10 개 플롯, 210 개 나무) 에서 현장 측정값과 비교하여 RMSE 4.79cm의 정확도를 달성했습니다. 이는 초고해상도 UAV LiDAR 기반의 기존 방법 (RMSE 7.91cm) 보다 약 39.4% 더 정확합니다.

4. 실험 결과 (Results)

• 정량적 평가:
  • TreeDGS (불투명도 가중 원 피팅): RMSE 4.79cm, MAE 3.70cm, ME (편향) -0.38cm.
  • UAV LiDAR (원통 피팅): RMSE 7.91cm, MAE 5.04cm.
  • TreeDGS 는 LiDAR 대비 RMSE 를 약 39% 감소시켰으며, 특히 가려짐이 심하거나 줄기가 작은 나무에서도 더 강건한 성능을 보였습니다.
• 비교 분석:
  • 기하학적 모델 일치: TreeDGS 에서 추출된 점들은 볼륨 내부까지 포함되므로, 단순 원통 피팅 (Cylinder fit) 보다는 **고체 원 피팅 (Solid-circle fit)**이 훨씬 정확했습니다.
  • 가중치의 중요성: 불투명도 가중치를 사용하지 않은 원 피팅은 RMSE 가 9.61cm 로 떨어졌으며, 이는 저신뢰도 점들이 오차를 유발했음을 보여줍니다.
  • 점 밀도: 단순 가우시안 중심점 추출 (1 splat 당 1 점) 은 줄기 표면이 불완전하여 분할 및 측정이 실패했으나, 제안한 밀집 샘플링은 성공적인 측정을 가능하게 했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 저비용 고품질 측정: 고가의 LiDAR 센서 없이도 상용 UAV 의 RGB 카메라만으로 LiDAR 이상의 DBH 측정 정확도를 달성할 수 있음을 입증했습니다.
• 3DGS 의 새로운 활용: 3D Gaussian Splatting 을 단순한 뷰 합성 (View Synthesis) 도구를 넘어, 측정 가능한 기하학적 구조 추출을 위한 도구로 확장했습니다.
• 한계점 및 향후 과제:
  • 줄기가 완전히 가려진 경우 (관측 뷰가 2~3 개 미만) 는 기하학적 복원이 불가능합니다.
  • 3D semantic segmentation (줄기/나뭇잎 분류) 의 정확도에 의존합니다.
  • 향후 가우시안 최적화 과정에 줄기 원통 파라미터를 직접 통합하는 하이브리드 접근법 등을 통해 더 강건한 모델을 개발할 수 있습니다.

결론적으로, TreeDGS 는 복잡한 산림 환경에서 UAV RGB 이미지를 활용한 정밀한 산림 계측의 새로운 표준을 제시하며, 3D Gaussian Splatting 기술이 실제 산업 응용 분야에서 가질 수 있는 잠재력을 보여줍니다.