3D 高斯潑濺（3D Gaussian Splatting，3DGS）已成為高保真新視角合成與三維場景重建的主流表示方式。它以大量帶位置、形狀和外觀屬性的高斯原語描述場景，渲染質量高、速度快，因此在重建、內容創作和互動式三維應用中被廣泛採用。然而，訓練得到的潑濺表示會忠實記錄場景中的視覺細節，其中往往包含人臉、車牌、文件和電腦螢幕等敏感資訊。一旦訓練好的潑濺模型被共享、上傳或部署，隱私洩露風險便隨之產生，而此前針對這一問題的研究仍較為有限。
來自 Gaurav Behera、Abhinav Raundhal 等六位作者的新論文《PrinGS: Privacy Preservation in Gaussian Splatting》提出了一個表示級匿名化框架，直接對訓練完成的潑濺進行處理，而不是隻對渲染出的二維影像做遮擋或模糊。給定一個訓練好的潑濺以及一張使用者提供的參考檢視，該方法會在參考檢視中識別出敏感內容，再將其對應位置定位到潛在的三維表示中，並直接對這些區域進行匿名化。這樣，敏感資訊不會出現在任何後續渲染的新視角中，而場景的整體幾何結構與視覺保真度得以保留。作者指出，這種訓練後匿名化可以在不到一秒內完成。
除後處理方式外，論文還擴充套件出“隱私優先設計”的訓練策略，在最佳化過程中阻止敏感內容被嵌入表示，從而可以直接從訓練影像生成隱私保護型潑濺，而非先訓練再修補。這為在實際採集和建模流程中前置隱私處理提供了途徑。
實驗方面，該方法在人臉相似度指標（Face Similarity Measure，FSM）上達到 9.79% 的較低水平，同時人臉檢測保留率（Face Detection Rate，FDR）為 39.47%；對敏感文字，其 OCR 字元錯誤率達到 1.00，意味著文字完全不可讀。作者將這項工作視為邁向隱私感知三維表示的基礎性一步，並希望推動該方向上的進一步研究。該論文釋出於 arXiv，編號 2610.36168，屬於計算機視覺與模式識別（cs.CV）領域，提交時間為 2026 年 10 月 26 日。