摘要
3D高斯点云（3DGS）是一种强大的实时新视图合成表示，但其标准训练流程依赖于点估计和手动调优的启发式方法，缺乏原生的不确定性和原则性复杂度控制。这在稀疏视图或固定采集预算下尤为限制，因为模型必须识别弱支持的几何形状并选择信息量大的视图。
我们提出了一种渲染感知的贝叶斯3DGS框架，该框架通过对均值和协方差的Normal-Inverse-Wishart后验分布来跟踪高斯几何，使用渲染器生成的替代汇总数据。可选的Dirichlet过程扩展增加了一个概率组件使用信号，训练计划使得闭式与近似推断的边界变得明确。重新渲染后验几何样本可以实现原生预测不确定性，便于区间校准和主动视图选择。
在固定预算的16至32个主动视图任务中，原生NIW采集在PSNR上提高了+0.453 dB，LPIPS改善了-0.0146，相较于仅评分的3成员标准集成基线，赢得了29/39场景种子对和10/13场景均值；此外，相较于PPU风格（+0.355 dB）和NIW代理（+0.401 dB）采集也有显著提升。NIW原生区间将95%覆盖误差减少了约17倍，相较于共享代理（0.046 vs. 0.796），并且在大约三分之一的训练成本下，离名义覆盖更接近10倍（0.047 vs. 0.454）。作为重建兼容性检查，39场景种子运行的NIW与标准分析配对显示，PSNR提升了+0.030 dB，额外训练时间为1.6%。这些结果使得贝叶斯3DGS成为应对主动视图选择等决策任务的实用概率场景表示。
博主点评： 这项研究通过引入贝叶斯框架，为3D高斯点云提供了有效的不确定性度量和复杂度控制，显著提升了在稀疏视图条件下的表现。未来可能会在实时应用中获得更广泛的应用，尤其是在需要动态决策的场景中。该方法的训练效率和准确性为进一步的研究和开发提供了良好的基础。