شهدت السنوات الأخيرة تطورًا ملحوظًا في تكنولوجيا التصوير ثلاثي الأبعاد، حيث ظهرت نماذج 3D Gaussian Splatting (3DGS) كوسيلة فعّالة لتوليد وجهات نظر جديدة. هذه النماذج توفر تدريبًا سريعًا وإنتاجًا ذو دقة عالية في الوقت الحقيقي، إلا أن التحدي الرئيسي يبقى في كيفية تحسين أدائها عندما يكون الإشراف محدودًا على نقاط عرض نادرة.

التحدي الذي يواجهه الباحثون هو تحسين التعميم تحت إشراف نقاط عرض قليلة، حيث يميل 3DGS إلى الإفراط في التكيف مع الصور التي تم رصدها سابقًا ويفشل في تعميم الأداء على الطيف غير المرئي من وجهات النظر.

الباحثون اتجهوا إلى تحسين الحد الأدنى المسطح (Flat Minima Optimization) كطريقة لمعالجة هذه المشكلة. يهدف هذا المنهج إلى إيجاد حلول تظل مستقرة تحت تغيرات بسيطة في المعلمات. وبالنظر إلى المتغيرات الغاوسية كأوزان قابلة للتدريب، تم تكييف مبادئ الحد الأدنى المسطح لتناسب الخصائص الهندسية والحركية لـ 3DGS باستخدام إطار تدريب خفيف.

تتضمن الطريقة ضبط تحسينات غاوسية تحت السيطرة تأخذ في الاعتبار غير التماثل لكل متغير غاوسي وتقدم التدريب، مما يحافظ على التفاصيل الدقيقة بينما يعزز المتانة تجاه الإفراط في التكيف مع نقاط العرض القليلة. لتحسين عملية تحسين الحد الأدنى المسطح، أدخل الباحثون إعادة التهيئة الدورية التي تعيد المعلمات غير المكانية إلى حالتها الأولية لفترة قصيرة.

تتداخل هذه التقنيات بسلاسة في خطوط أنابيب 3DGS الحالية دون الحاجة لتغييرات معمارية جذرية. وقد أظهرت التجارب على مجموعات بيانات LLFF وMip-NeRF360 تحسنًا كبيرًا في المقاييس الكمية وجودة التصور تحت الإشراف على النقاط القليلة، مما ينتج إعادة بناء أكثر حدة واستقرارًا وتعميمًا أفضل على وجهات نظر جديدة.