본 논문은 3D Gaussian Splatting (3D-GS)의 훈련 샘플링 부족 문제를 해결하기 위한 부트스트래핑 프레임워크를 제시한다. 기존 3D-GS는 훈련 데이터에서 크게 벗어난 새로운 뷰를 생성하는 데 어려움을 겪고, 확대 시 왜곡 및 앨리어싱 문제가 발생하는데, 이는 훈련 샘플링 부족으로 인한 것이다. 본 연구는 제한된 훈련 세트와 정렬되는 새로운 뷰에서 의사 ground truth를 합성하고, 이를 훈련 파이프라인에 재통합하여 이러한 문제를 해결한다. 실험 결과, 제안된 부트스트래핑 기법이 아티팩트를 줄이고 정량적 지표를 개선함을 보여주며, 다양한 Gaussian 기반 방법에 적용 가능함을 보여준다.
