최근의 볼륨 렌더링 기술, 예를 들어 NeRF와 3D 가우시안 스플래터링(3DGS)은 학습된 은닉 신경 렌더링 필드 또는 3D 가우시안을 활용하여 렌더링 품질과 효율성을 크게 향상시켰다. 명시적 표현 위에서 작동하는 기존의 3DGS 및 그 변형들은, 학습 중 각 반복 단계에서 단일 뷰 감독을 통해 파라미터화된 모델을 최적화함으로써 실시간 렌더링 효율성을 달성한다. 그러나 이 방식은 특정 뷰에 과적합(overfitting)을 유도하여 신규 뷰 합성 시 불만족스러운 시각적 결과와 정확도가 낮은 3D 기하 구조를 초래한다. 이러한 문제를 해결하기 위해, 본 논문에서는 네 가지 핵심적인 기여를 포함하는 새로운 3DGS 최적화 방법을 제안한다. 1) 기존의 단일 뷰 학습 패러다임을 다중 뷰 학습 전략으로 전환한다. 제안한 다중 뷰 규제 방식을 통해, 특정 훈련 뷰에 과적합되지 않도록 3D 가우시안의 속성들을 더욱 효과적으로 최적화할 수 있다. 이는 일반적인 해결책으로서 다양한 시나리오와 다양한 가우시안 변형에서 전반적인 정확도를 향상시킨다. 2) 추가적인 뷰가 가져오는 이점을 영감으로 삼아, 다중 내재적 가이던스(cross-intrinsic guidance). 이는 다양한 해상도를 고려한 계층적(coarse-to-fine) 학습 절차를 가능하게 한다. 3) 다중 뷰 규제 학습을 기반으로, 교차 광선 밀도 증가 전략(cross-ray densification strategy)을 제안한다. 이는 특정 뷰들의 선택적 집합에서 광선과 교차하는 영역에 더 많은 가우시안 커널을 밀집시키는 방식으로, 렌더링 정밀도를 향상시킨다. 4) 밀도 증가 전략을 심층적으로 분석한 결과, 일부 뷰가 극적으로 다른 경우 밀도 증가 효과를 더욱 강화해야 함을 발견하였다. 이를 해결하기 위해, 새로운 다중 뷰 증강 밀도 증가 전략(multi-view augmented densification strategy)을 제안한다. 이 방식은 특정 뷰의 특성에 따라 3D 가우시안이 충분한 수준으로 밀집되도록 유도함으로써, 재구성 정확도를 더욱 향상시킨다.