최근 뉴럴 렌더링 (Neural Rendering) 분야의 발전은 3D Gaussian Splatting (3DGS)를 새로운 시점 합성 (Novel View Synthesis)을 위한 매우 효율적인 표현 방식으로 확립하였으며, 강력한 충실도와 함께 빠른 학습 및 실시간 렌더링을 가능하게 했습니다. 그러나 감독 (Supervision) 데이터가 희소한 입력 시점 (Sparse Input Views)으로 제한될 경우, 3DGS는 관찰된 이미지에 과적합 (Overfit)되는 경향이 있으며 보지 못한 시점 (Unseen Viewpoints)에 대한 일반화 성능이 떨어집니다. 우리는 작은 파라미터 섭동 (Parameter Perturbations) 하에서도 안정적으로 유지되는 해를 찾는 평탄한 최솟값 (Flat Minima, FM) 최적화의 관점에서 이 문제를 해결합니다. 가우시안 파라미터를 학습 가능한 가중치 (Trainable Weights)로 간주하여, 우리는 경량화된 학습 프레임워크를 통해 FM 원리를 3DGS의 기하학적 및 동적 특성에 맞게 조정합니다. 우리의 방법은 각 가우시안의 이방성 (Anisotropy)과 학습 진행 상황을 고려한 제어된 가우시안 섭동을 통해 최적화를 정규화 (Regularize)하며, 희소 시점 과적합에 대한 강건성 (Robustness)을 향상시키는 동시에 미세한 디테일을 보존합니다. 이 평탄한 최솟값 최적화 과정을 더욱 안정화하기 위해, 우리는 비위치 파라미터 (Non-positional Parameters)를 짧은 기간 동안 초기 상태로 일시적으로 되돌리는 주기적 재초기화 (Periodic Reinitialization)를 도입합니다. 이러한 기술들은 아키텍처의 변경 없이 기존 3DGS 파이프라인에 원활하게 통합됩니다. LLFF 및 Mip-NeRF360 데이터셋에 대한 실험 결과, 희소 시점 감독 하에서 정량적 지표와 지각적 품질 (Perceptual Quality)이 모두 향상되었음을 입증하였으며, 더 선명하고 안정적이며 새로운 시점에 더 잘 일반화된 재구성 (Reconstruction) 결과를 생성합니다.