Байесовский подход к 3D Gaussian Splatting с оценкой неопределённости

В работе представлен байесовский подход к 3D Gaussian Splatting (3DGS) — методу представления сцен для синтеза новых видов в реальном времени. Авторы предлагают использовать апостериорное распределение Normal-Inverse-Wishart для отслеживания геометрии гауссианов, что позволяет получать оценки неопределённости и управлять сложностью модели без ручных настроек. Дополнительно реализована опциональная компонента на основе процесса Дирихле для оценки использования элементов модели. Научная новизна заключается в интеграции вероятностной оценки геометрии непосредственно в процесс рендеринга, что обеспечивает калиброванные интервалы неопределённости и улучшает выбор ракурсов при ограниченном бюджете съёмки. Эксперименты показывают прирост качества реконструкции (PSNR, LPIPS) и значительное снижение ошибки покрытия по сравнению с ансамблями и прокси-методами, при этом затраты на обучение остаются сопоставимыми.