연구진은 3D Gaussian Splatting(3DGS)의 희소 시야 환경에서의 일반화 성능 문제를 해결하기 위해 평탄 최소(FM) 최적화 기법을 적용했어요. 3DGS의 기하학적, 동적 특성을 고려한 가우스 파라미터 교란을 통해 과적합을 방지하고 안정적인 결과물을 얻도록 설계됐어요. LLFF 및 Mip-NeRF360 데이터셋 실험 결과, 기존 방식 대비 더 선명하고 안정적인 결과물을 얻으며 새로운 시야에 대한 일반화 성능이 향상됐어요.
연구진은 3DGS의 평탄 최소 최적화를 위해 가우스 파라미터 교란과 주기적인 재초기화 기법을 도입했어요. 가우스 파라미터 교란은 각 가우스의 등방성을 고려하며, 주기적 재초기화는 비위치 파라미터를 초기 상태로 되돌려 최적화 과정을 안정화하는 역할을 해요. 이 두 가지 기법은 기존 3DGS 파이프라인에 변경 없이 통합될 수 있도록 설계됐어요.
연구 결과, 제안하는 방법은 기존 3DGS 방식 대비 정량적 지표와 시각적 품질 모두에서 개선된 성능을 보였어요. 특히 희소 시야 환경에서 더 선명하고 안정적인 결과물을 얻으며 새로운 시점에 대한 일반화 능력이 향상된 것을 확인했어요.