3D 高斯泼溅（3D Gaussian Splatting，3DGS）已成为高保真新视角合成与三维场景重建的主流表示方式。它以大量带位置、形状和外观属性的高斯原语描述场景，渲染质量高、速度快，因此在重建、内容创作和交互式三维应用中被广泛采用。然而，训练得到的泼溅表示会忠实记录场景中的视觉细节，其中往往包含人脸、车牌、文档和电脑屏幕等敏感信息。一旦训练好的泼溅模型被共享、上传或部署，隐私泄露风险便随之产生，而此前针对这一问题的研究仍较为有限。
来自 Gaurav Behera、Abhinav Raundhal 等六位作者的新论文《PrinGS: Privacy Preservation in Gaussian Splatting》提出了一个表示级匿名化框架，直接对训练完成的泼溅进行处理，而不是只对渲染出的二维图像做遮挡或模糊。给定一个训练好的泼溅以及一张用户提供的参考视图，该方法会在参考视图中识别出敏感内容，再将其对应位置定位到潜在的三维表示中，并直接对这些区域进行匿名化。这样，敏感信息不会出现在任何后续渲染的新视角中，而场景的整体几何结构与视觉保真度得以保留。作者指出，这种训练后匿名化可以在不到一秒内完成。
除后处理方式外，论文还扩展出“隐私优先设计”的训练策略，在优化过程中阻止敏感内容被嵌入表示，从而可以直接从训练图像生成隐私保护型泼溅，而非先训练再修补。这为在实际采集和建模流程中前置隐私处理提供了途径。
实验方面，该方法在人脸相似度指标（Face Similarity Measure，FSM）上达到 9.79% 的较低水平，同时人脸检测保留率（Face Detection Rate，FDR）为 39.47%；对敏感文字，其 OCR 字符错误率达到 1.00，意味着文字完全不可读。作者将这项工作视为迈向隐私感知三维表示的基础性一步，并希望推动该方向上的进一步研究。该论文发布于 arXiv，编号 2610.36168，属于计算机视觉与模式识别（cs.CV）领域，提交时间为 2026 年 10 月 26 日。