TUGS：基于张量化高斯的水下场景物理驱动紧凑表示
计算机视觉与模式识别
2026-04-01 v2 机器人学
摘要
水下三维场景重建对于在恶劣环境中（如水下机器人感知与导航）的多媒体应用至关重要。然而，光传播、水中介质与物体表面之间复杂相互作用的处理，给现有方法在准确模拟其相互作用方面带来了显著挑战。此外，昂贵的训练与渲染成本也限制了其实际应用。因此，我们提出了张量化水下高斯溅写（Tensorized Underwater Gaussian Splatting, TUGS），这是一种基于物理模型构建的水下复杂光场紧凑表示。TUGS包含基于物理的水下自适应介质估计（Underwater Adaptive Medium Estimation, AME）模块，能够准确模拟水下环境中的光衰减与后向散射效应，同时引入张量化稠密化策略（Tensorized Densification Strategies, TDS），以高效地在优化期间细化张量化表示。TUGS能够以更快的渲染速度和更少的内存占用渲染出高质量的水下图像。 extensive 实验在真实水下数据集上表明，TUGS仅需有限参数即可高效实现卓越的重建质量。代码已公开于 https://liamlian0727.github.io/TUGS
引用
@article{arxiv.2505.08811,
title = {TUGS: Physics-based Compact Representation of Underwater Scenes by Tensorized Gaussian},
author = {Shijie Lian and Ziyi Zhang and Hua Li and Laurence Tianruo Yang and Mengyu Ren and Debin Liu and Wenhui Wu},
journal= {arXiv preprint arXiv:2505.08811},
year = {2026}
}