3D高斯潑濺（3DGS）作為即時新視角合成的強有力表示方法，在計算機視覺領域得到了廣泛應用。然而，其標準訓練流程依賴於點估計和手動調整的啟發式規則，無法提供原生不確定性或原則性的複雜度控制。這一缺陷在稀疏檢視或固定採集預算場景下尤為突出，因為模型需要準確識別弱支援的幾何結構，並主動選擇資訊量最大的檢視進行渲染。
為解決這一問題，研究人員提出了一種渲染感知的貝葉斯3DGS框架。該框架的核心創新在於使用Normal-Inverse-Wishart（NIW）後驗分佈來跟蹤每個高斯分量的均值和協方差，並利用渲染器匯出的代理摘要（surrogate summaries）來更新這些後驗引數。與傳統的點估計方法不同，NIW後驗能夠捕捉引數的分佈資訊，從而自然地提供不確定性估計。此外，框架還包含一個可選的狄利克雷過程擴充套件，用於提供機率化的分量使用訊號，幫助模型自適應地調整複雜度。訓練過程中，研究人員明確區分了閉式推理與近似推理的邊界，使得不同階段的訓練目標更加清晰。透過重新渲染後驗幾何樣本，該方法能夠生成原生的預測不確定性，既可用於區間校準，也可指導主動檢視選擇。
在實驗部分，研究者在固定預算的16到32主動檢視任務中評估了該方法的效能。結果顯示，原生NIW採集方法相比僅使用評分的3成員標準整合基線，PSNR提升了0.453 dB，LPIPS降低了0.0146，並在29/39的場景-種子對和10/13的場景均值中勝出。此外，該方法還優於PPU風格（+0.355 dB）和NIW代理（+0.401 dB）採集方法。在不確定性校準方面，NIW原生區間的95%覆蓋誤差從共享代理的0.796大幅降至0.046，減少約17倍；與3成員深度整合相比，覆蓋誤差從0.454降至0.047，降低約10倍，而訓練成本僅為深度整合的三分之一。作為重建相容性檢查，在39個場景-種子執行上的配對NIW與標準分析顯示，PSNR提升了0.030 dB，訓練時間僅增加了1.6%。
這些結果表明，貝葉斯3DGS不僅能夠提供可靠的不確定性估計，還能在保持重建質量的同時顯著降低計算成本。該方法為3DGS在不確定性建模和自適應複雜度控制方面提供了全新的理論框架和實踐驗證，尤其適用於主動檢視選擇等決策導向任務，有望推動3DGS在機器人導航、自動駕駛和虛擬現實等領域的實際應用。