3Dガウススプラッティング（3DGS）は、リアルタイム新規ビュー合成のための強力な表現手法として広く利用されている。しかし、標準的な訓練パイプラインは点推定と手動調整のヒューリスティックに依存しており、ネイティブな不確実性や原則的な複雑性制御を提供しない。この問題は、スパースビューや固定取得予算の下で特に顕著であり、モデルは弱くサポートされた幾何構造を識別し、情報量の多いビューを選択する必要がある。
本研究では、この課題に対処するため、レンダリング認識型ベイズ3DGSフレームワークを提案する。このフレームワークでは、Normal-Inverse-Wishart（NIW）事後分布を用いて各ガウス成分の平均と共分散を追跡し、レンダラーから導出されたサロゲート要約を使用して更新を行う。オプションのディリクレ過程拡張により、確率的な成分使用信号が追加され、訓練スケジュールは閉形式推論と近似推論の境界を明示的にする。事後幾何サンプルを再レンダリングすることで、区間較正と能動的ビュー選択のためのネイティブな予測不確実性が得られる。
実験では、固定予算の16から32の能動的ビュータスクにおいて、ネイティブNIW獲得方式が、スコアリングのみの3メンバー標準アンサンブルベースラインと比較して、PSNRを0.453 dB向上させ、LPIPSを0.0146低減し、29/39のシーン-シードペアと10/13のシーン平均で勝利した。また、PPUスタイル（+0.355 dB）やNIWプロキシ（+0.401 dB）獲得方式よりも優れている。不確実性較正の面では、NIWネイティブ区間は共有プロキシと比較して95%カバレッジ誤差を約17倍（0.046対0.796）低減し、3メンバー深層アンサンブルと比較して約10倍（0.047対0.454）低減し、訓練コストは約3分の1である。再構成互換性チェックとして、39のシーン-シードランにわたるペアNIW対標準分析では、PSNRが0.030 dB向上し、訓練時間は1.6%の増加にとどまった。
これらの結果は、ベイズ3DGSが能動的ビュー選択などの意思決定指向タスクのための実用的な確率的シーン表現として位置づけられることを示している。本手法は、不確実性を考慮したモデリングと適応的な複雑性制御を可能にし、ロボットナビゲーションや自動運転、仮想現実などの応用において重要な意義を持つ。