本文提出了一种将三维高斯散射视为马尔可夫链蒙特卡罗方法的新方法，用于神经渲染。研究人员将三维高斯集合重新定义为从描述场景物理表示的潜在概率分布中提取的随机样本。通过引入噪声，将三维高斯更新转换为随机梯度朗之万动力学更新，并将三维高斯散射中的密集化和剪枝策略重写为马尔可夫链蒙特卡罗样本的确定性状态转换。实验结果表明，该方法提高了渲染质量，简化了对高斯数量的控制，并增强了对初始化的鲁棒性。