高噪声有效，低噪声失效。
机制成立，但固定 NTF-v1 不成立。

低噪声失败长什么样

• x0 NTF 在强高光立面产生大面积拖影、光晕和跨结构能量扩散。
• 暗部与车体的大轮廓仍然存在，所以 LPIPS 没有像 PSNR 一样崩溃；这更像强 photometric bias，而非完全几何失败。
• x4 仍处在 bias 主导区，因此降低 LPIPS 的“平滑”不能补偿线性强度误差。

高噪声成功还缺什么

• x64 NTF 的建筑窗框、屋顶和车体更稳定，Vanilla 的噪声/漂浮纹理被明显压制。
• 远处树冠仍被压成低频团块，边缘有少量亮色 speckles；这对应此前观察到的 high-frequency 缺失。
• 所以 v2 应该保留高噪声背景的强抑制，同时只在多视图一致的高置信边缘恢复细节。

最低风险的 NTF-v2

1. 全局 noise gate：先用标定噪声强度决定 α，优化 (1−α)L_linear + αL_NTF；强制 x0 的 α=0，而不是让零噪声参数进入仍有偏差的 transform。
2. 线性域锚定：即使 α 较大，也保留低权重 linear radiance term，限制高光能量扩散和全局亮度漂移。
3. 像素级 SNR gate：背景暗部强 NTF；高 SNR、跨视图一致的边缘降低 NTF 强度。
4. 两阶段恢复细节：densification 结束后冻结 geometry，只在可靠边缘放宽 appearance loss，避免重新生成 noisy GS。

最省实验时间的验证顺序

1. 只在 x0/x4/x16/x64 上跑 α∈{0,.25,.5,.75,1} 的短程 7k sweep，找出随噪声单调的 gate。
2. 用 30k 复验四个最佳 α；目标是 x0 ≥Vanilla−0.2 dB，并保持 x64 ≥Vanilla+1 dB。
3. 增加高光区域 PSNR 与 edge LPIPS，确认不是靠全局变暗或模糊换分。
4. 对 Gaussian scale/aspect ratio 做分布分析；若总数仍不随 noise 变化，就正式放弃“数量减少”主叙事。
5. 完成 normalization audit 后再将 HDRSplat/Repo Raw3DGS 放入论文主表。

当前 go/no-go：不应该放弃 idea；应该放弃“固定强度 NTF-v1”。交叉曲线已经提供了值得继续的机制证据，而 x0 失败也直接给出了下一版必须解决的设计约束。