최근 3D Gaussian Splatting (3DGS)의 발전은 고충실도 신규 시점 합성 (Novel View Synthesis, NVS) 분야에서 놀라운 성공을 거두었으나, Structure-from-Motion (SfM) 포인트 클라우드로부터의 희소하고 불완전한 초기화로 인해 최적화 과정에서 노이즈가 섞인 Gaussian primitives가 필연적으로 발생합니다. 기존의 대부분의 방법들은 최적화 과정에서 primitives의 위치를 조정하는 데에만 집중하며, 근본적인 공간 구조 (spatial structure)는 간과합니다. 이를 해결하기 위해, 우리는 3DGS의 최적화를 primitive 디노이징 (denoising) 과정으로 공식화하는 새로운 관점을 도입하며, 위치와 공간 구조를 모두 고려하는 Gaussian primitives를 위한 공간 인지형 디노이징 프레임워크인 Denoising-GS를 제안합니다. 구체적으로, 우리는 primitives의 공간적 최적화 흐름을 보존하는 옵티마이저 (optimizer)를 설계하여, 무작위적인 섭동 (perturbations) 대신 일관되고 방향성 있는 디노이징을 용이하게 합니다. 이를 바탕으로, Spatial Gradient-based Denoising 전략은 primitives의 공간적 지지 (spatial supports)를 공동으로 고려하여 그래디언트 일관성 (gradient-consistent) 업데이트를 보장합니다. 또한, Uncertainty-based Denoising 모듈은 primitive별 불확실성 (uncertainty)을 추정하여 중복되거나 노이즈가 있는 primitives를 가지치기 (prune)하며, Spatial Coherence Refinement 전략은 구조적 완전성을 유지하기 위해 희소한 영역의 primitives를 선택적으로 분할 (split)합니다. 세 가지 벤치마크 데이터셋에서 수행된 실험을 통해 Denoising-GS가 표현의 압축성 (compactness)을 유지하면서도 NVS 충실도를 일관되게 향상시키며, 모든 벤치마크에서 최첨단 (state-of-the-art) 성능을 달성함을 입증했습니다. 소스 코드와 모델은 공개될 예정입니다.