가우시안으로 표현한 언어장
CLIP에서 증류한 언어 특징을 가우시안들의 집합에 저장한다. 언어 특징을 렌더링할 때 타일 기반 스플래팅을 사용해 NeRF 방식의 높은 렌더링 비용을 줄이려 한다.
장면별 특징 압축
큰 CLIP 임베딩을 그대로 명시적으로 저장하면 메모리 부담이 크다. 먼저 장면별 언어 오토인코더를 학습하고 그 잠재 공간에서 언어 특징을 배우는 방식으로 이를 완화한다.
물체 경계와 의미 계층
불명확한 언어장에서는 이웃 물체의 경계를 구별하기 어렵다. LangSplat은 SAM을 활용한 계층적 의미 학습으로 이 문제에 접근한다.
속도 비교의 조건
논문은 특정 해상도에서 LERF보다 빠른 결과를 보고했다. 그 배수는 해상도와 구현 및 장면 조건을 가진 비교값이며, 모든 장비와 질의에서 같은 속도를 뜻하지 않는다.