La inferencia bayesiana utilizando procesos gaussianos en conjuntos de datos grandes ha sido estudiada extensamente en los últimos años. Sin embargo, se ha prestado poca atención a cómo aplicarlos en un espacio de entrada de alta resolución. Al aproximar el conjunto de puntos de prueba (donde queremos hacer predicciones, no el conjunto de puntos de entrenamiento en el conjunto de datos) mediante un kd-tree, surge una estructura de datos de múltiple resolución que permite obtener ganancias considerable en rendimiento y uso de memoria sin una pérdida significativa de precisión. En este artículo, estudiamos la viabilidad y eficiencia de construir y utilizar dicho kd-tree en la regresión de procesos gaussianos. Proponemos una regla de corte que es fácil de interpretar y ajustar. Mostramos nuestros hallazgos en datos de juguete generados en una nube de puntos en 3D y un ejemplo simulado de vibrometría en 2D. Esta investigación es beneficiosa para los investigadores que trabajan en un espacio de entrada de alta resolución. La aproximación del kd-tree supera la implementación ingenua del proceso gaussiano en todos los experimentos.