표준 Gaussian Splatting (가우시안 스플래팅) 방식은 학습 과정에서 프리미티브 (primitives)를 적응적으로 할당하기 위해 휴리스틱 (heuristic) 밀도화 (densification) 및 가지치기 (pruning)에 의존하며, 그 결과로 발생하는 Gaussian 개수는 재구성 품질과 실행 시간 모두에 강력한 영향을 미칩니다. 이로 인해 방법론 간의 비교가 취약해질 수 있는데, 성능 향상이 알고리즘 설계보다는 더 높은 표현 능력 (representational capacity)에서 기인할 수 있기 때문입니다. 이에 대한 흔하고 단순한 해결책은 목표 개수에 도달하면 밀도화/가지치기를 강제로 중단하거나 예산을 할당하는 것이지만, 이는 서로 다른 방법론이 각기 다른 시점에 제한치에 도달하게 만들어 학습에 편향을 일으키며, 뷰 (views)에 따라 불균일한 밀도화/가지치기 노출과 불균등한 포인트 분포를 초래합니다. 본 논문에서는 표준 밀도화 구간과 주기를 유지하면서도, 이차 함수 형태의 타겟 포인트 궤적 (quadratic target count trajectory)을 추적하도록 기존의 밀도화 및 불투명도 제거 (opacity-culling) 하이퍼파라미터 (hyper-parameters)만을 조정하는 타겟 포인트 제어 체계를 제안합니다. 이 할당량 제어기 (quota-governor)는 급격한 중단 없이 15k 반복 (iterations) 내에 원하는 개수에 도달하며, 모든 방법론과 뷰가 동일한 밀도화 및 가지치기 사이클을 받도록 보장하여, 더욱 공정하고 표현 능력이 맞춰진 평가를 가능하게 합니다.