최근 3D 생성 모델은 Neural Radiance Fields (NeRF)를 기반으로 하여 활발히 연구되고 있다. NeRF는 신경망을 활용하여 영상 속 깊이, 색깔 그리고 밝기 같은 공간적 정보를 학습할 수 있기 때문에 NeRF를 활용한 3D 생성 모델은 영상의 일부 장면의 특징에 대해 학습하면 다양한 장면에서 영상의 생성이 가능하다. 또한, 3D 생성 모델은 Generative Adversarial Networks (GAN)을 활용하여 학습 데이터셋에 없는 새로운 영상을 생성하는 수준까지 도달하였다. 하지만 기존 3D 생성 모델은 2가지 문제점을 지니고 있다. 첫번째, 생성된 영상 속 전경의 특징이 변할 때, 배경의 특징도 변한다. 즉, 전경과 배경의 특징이 잠재 공간 속에서 분리가 덜 되어있다. 두번째, 기존 3D 생성 모델은 영상의 전반적인 특징을 잘 생성하나 미세한 특징까지 사실적으로 생성하는 것에는 한계를 보인다. 따라서 본 논문은 언급된 2가지 문제점을 해결하기 위해 연구를 진행하였다. 먼저, 기존의 3D 생성 모델은 영상 레벨에서만 적대적 학습을 진행하고 특징 레벨에서는 적대적 학습을 진행하지 않기 때문에 영상 속 특징 정보에 대해 학습을 하는 것에 한계가 있다. 이는 영상의 특징 간 분리가 덜 되는 문제를 야기시키며, 결과적으로 전경과 배경의 특징 간 분리를 덜되게 한다. 따라서 본 논문은 이 문제를 해결하기 위해 3D 생성 모델을 영상 레벨에서 뿐만 아니라 특징 레벨에서도 공동으로 적대적 학습을 시키는 방법을 제시한다. 본 논문에서 제시한 정성적, 정량적 실험 결과를 통해 제안된 3D 생성 모델은 이전 3D 생성 모델보다 영상의 품질이 나아졌을 뿐만 아니라 전경과 배경의 분리가 잘 되는 것을 확인할 수 있다. 두번째 문제를 해결하기 위해 본 논문은 주파수 영역 분석을 활용해 3D 생성 모델을 학습하는 방법을 제안한다. 이전까지 3D 생성 모델은 영상의 공간 영역에 대한 특징 정보를 학습하였으며, 영상의 주파수 영역에 대한 특징 정보를 학습하지 않았다. 따라서 생성된 영상과 실제 영상 집합은 주파수 영역에서 분포도의 간극이 존재하게 되며 생성 모델은 영상의 미세한 특징을 사실적으로 생성할 수 없게 된다. 본 논문은 주파수 영역 분석을 3D 생성 모델에 적용해서 해당 문제를 해결하고자 하였다. 구체적으로 초점 주파수 손실 함수와 고주파수 영역 보존 손실 함수를 각각 3D 생성 모델에 적용하였다. 본 논문에서 제시한 정성적,정량적 실험 결과를 통해 해당 기법을 적용한 3D 생성 모델은 영상의 미세한 디테일을 사실적으로 생성하는 능력이 개선된 것을 확인할 수 있다.