详细解读
大多数 3DGS 管线依赖一阶优化，因为参数数量巨大，渲染器又高度非线性。3DGS^2-TR 问的是：能不能利用二阶信息，但不付出密集 Hessian 那种不可承受的显存和计算代价。它给出的答案是无矩阵的对角 Hessian 近似。
曲率估计只使用 Hessian 对角线，并通过 Hutchinson 风格的随机估计高效计算。它不能捕获所有参数交互，但能让优化器知道不同参数局部曲率尺度不同，从而比纯一阶更新更合理地分配步长。
信赖域部分负责稳定性。透明度、协方差、位置等高斯参数在投影和 alpha 合成后会产生强非线性影响；基于平方 Hellinger 距离的逐参数信赖域会限制危险更新，避免在梯度或曲率不可靠时把场景推坏。
论文有意使用无 densification 的对照设置来隔离优化器效果，因为 densification 本身会改变表示并掩盖优化问题。它的价值在于说明 3DGS 训练速度仍有算法空间，不只是调学习率和训练轮数。