一句话结论
已知相机轨迹下，把逐事件射线深度/事件warp几何损失与每批一次的密集亮度渲染拆开，可减少事件窗口选择对静态场景重建的影响；真实EDS五序列PSNR均值19.470高于EventSplat的18.860，合成彩色Bayer数据23.110则落后EventSplat28.140（CVF主文pp.6–8 Tables1–2/Fig.6）。
问题与方法
传统事件3DGS每批两次密集强度渲染并对端点图做差，长事件窗口模糊边缘。GPERT对每个事件时刻的稀疏像素用高斯ray tracing估深度并结合已知位姿估运动场，warp事件到中点以最大化对比度；中点只做一次密集强度/深度渲染，沿光流计算瞬时亮度变化和IWE的L2/SSIM光度损失（主文pp.3–5 Fig.2/Eqs.3–9）。需相机标定与时间插值位姿；不用COLMAP点云或图像重建教师，仍有随机10万图元前1万步的IWE初始化（补充p.1 §8.5）。
数据、结果、消融与成本
EDS五段640×480、TUM-VIE两段1280×720使用现实事件与共置RGB帧相机评价；TUM-VIE PSNR13.090/SSIM .716/LPIPS .411高于Robust E-NeRF 11.790/.573/.588，EventSplat未报该集（主文p.6 Table1/§4.1）。合成七场Bayer PSNR23.110/LPIPS .074落后EventSplat28.140/.051；作者指向颜色warp和去马赛克困难（p.7 Table2）。去对比损失EDS PSNR19.470→15.520，TUM-VIE 13.090→13.450反向；去IWE初始化EDS17.340（p.8 Table3）。补充p.3 Table5合成点云Chamfer 3.559mm vs EMVS35.090，但Hotdog场本法11.490mm落后E2VID+VGGT5.284mm，且后者Ficus未收敛。
RTX6000 Ada、40k步：EDS/合成30–45分钟、TUM-VIE80–130分钟，0.1M图元PyTorch渲染约3ms/1M约30ms；补充p.1 §8.4指出和双密集渲染版本的每步速度差异不显著（主文p.8 §4.4）。静态/亮度恒常假设遇灯光闪烁易使IWE及深度失稳（主文p.8 §6、补充p.2 Fig.10）。SfM成本可省，但位姿/帧相机评测、传感器数据与峰显存未同账。代码仓库存在，许可证GitHub API为Other/NOASSERTION，具体再审；未运行GPU。出版日仅标六月，published_at以月初占位。逐页证据见raw/ingest/2026-09-25-gpert/analysis.md；和AeroDGS的单目动态航拍输入、原3DGS的帧图静态输入分开评价；总览三维高斯泼溅：表示、优化、几何与动态任务。