3D高斯泼溅（3DGS）作为实时新视角合成的强有力表示方法，在计算机视觉领域得到了广泛应用。然而，其标准训练流程依赖于点估计和手动调整的启发式规则，无法提供原生不确定性或原则性的复杂度控制。这一缺陷在稀疏视图或固定采集预算场景下尤为突出，因为模型需要准确识别弱支持的几何结构，并主动选择信息量最大的视图进行渲染。
为解决这一问题，研究人员提出了一种渲染感知的贝叶斯3DGS框架。该框架的核心创新在于使用Normal-Inverse-Wishart（NIW）后验分布来跟踪每个高斯分量的均值和协方差，并利用渲染器导出的代理摘要（surrogate summaries）来更新这些后验参数。与传统的点估计方法不同，NIW后验能够捕捉参数的分布信息，从而自然地提供不确定性估计。此外，框架还包含一个可选的狄利克雷过程扩展，用于提供概率化的分量使用信号，帮助模型自适应地调整复杂度。训练过程中，研究人员明确区分了闭式推理与近似推理的边界，使得不同阶段的训练目标更加清晰。通过重新渲染后验几何样本，该方法能够生成原生的预测不确定性，既可用于区间校准，也可指导主动视图选择。
在实验部分，研究者在固定预算的16到32主动视图任务中评估了该方法的性能。结果显示，原生NIW采集方法相比仅使用评分的3成员标准集成基线，PSNR提升了0.453 dB，LPIPS降低了0.0146，并在29/39的场景-种子对和10/13的场景均值中胜出。此外，该方法还优于PPU风格（+0.355 dB）和NIW代理（+0.401 dB）采集方法。在不确定性校准方面，NIW原生区间的95%覆盖误差从共享代理的0.796大幅降至0.046，减少约17倍；与3成员深度集成相比，覆盖误差从0.454降至0.047，降低约10倍，而训练成本仅为深度集成的三分之一。作为重建兼容性检查，在39个场景-种子运行上的配对NIW与标准分析显示，PSNR提升了0.030 dB，训练时间仅增加了1.6%。
这些结果表明，贝叶斯3DGS不仅能够提供可靠的不确定性估计，还能在保持重建质量的同时显著降低计算成本。该方法为3DGS在不确定性建模和自适应复杂度控制方面提供了全新的理论框架和实践验证，尤其适用于主动视图选择等决策导向任务，有望推动3DGS在机器人导航、自动驾驶和虚拟现实等领域的实际应用。