동적 장면 재구성 및 새로운 시점 합성(novel view synthesis)은 가상 현실, 로보틱스, 디지털 트윈과 같은 차세대 비전 인텔리전스 애플리케이션에 필수적입니다. 하지만 임의의 시점에서 복잡하고 시간 변화가 있는 장면을 고화질로 재구성하는 것은 여전히 중요한 과제입니다. 기존의 동적 3DGS 방법들은 모든 가우시안(Gaussians)을 동적 구성 요소로 모델링하기 때문에 계산 효율성 측면에서 어려움을 겪습니다. 최근 분해 기반 접근 방식들이 이 문제를 다루고 있지만, 재구성 품질 저하와 긴 학습 시간 등의 문제에 여전히 직면하고 있습니다. 이러한 한계를 완화하기 위해, 우리는 Feed-Forward Gaussian Splatting 인코더와 광학 흐름 모델(optical flow model)을 사용하여 효율적인 정적-동적 분해 전략을 기반으로 하는 새로운 동적 재구성 프레임워크를 제안합니다. 이 방법은 정적 영역에 대한 중복 계산을 제거함으로써, 렌더링 품질, 학습 및 렌더링 속도, 저장 효율성 전반에서 기존의 기준 모델(baselines)들을 능가하는 최첨단 성능을 달성합니다. 특히 Neural 3D 데이터셋에서 우리의 프레임워크는 학습에 단 10분만을 필요로 하며, 1352x1014 해상도에서 단일 NVIDIA RTX 5090 GPU를 사용하여 700 FPS 이상의 렌더링 속도를 달성합니다. 더욱이, 우리의 분해 전략은 COLMAP 전처리 과정의 필요성을 제거하고 결정론적 초기화(deterministic initialization)를 가능하게 하여 효율성과 재현성 모두를 향상시킵니다.