面向水下 3D 重建的物理感知高斯散点：UW-3DGS
计算机视觉与模式识别
2025-08-11 v1 人工智能
摘要
水下 3D 场景重建面临严重挑战，包括光吸收、散射和浑浊，这些因素会损害传统方法如神经辐射场 (NeRF) 中的几何和颜色保真度。虽然 SeaThru-NeRF 等 NeRF 扩展方法包含物理模型，但其 MLP 依赖性限制了在浑浊环境下的效率和空间分辨率。我们引入 UW-3DGS，一个新型框架，将 3D 高斯散点 (3DGS) 适用于稳健的水下重建。关键创新包括：(1) 使用基于体素的回归实现可插拔式可学习水下图像形成模块，用于空间变动的衰减和背散射；以及 (2) 物理感知不确定性剪枝 (PAUP) 分支通过不确定性评分自适应移除噪声浮动高斯，确保无损 artifacts 的几何。该管道在训练和渲染阶段运行。在训练期间，噪声高斯通过 PAUP 剪枝和散射建模进行 end-to-end 优化。在渲染阶段，精炼后的高斯产生干净的 Unattenuated Radiance Images (URI)，完全无媒介效应，同时通过学习的物理模型生成具有准确光传输的真实水下图像 (UWI)。在 SeaThru-NeRF 和 UWBundle 数据集上的实验显示，性能卓越，SeaThru-NeRF 数据集上 PSNR 为 27.604，SSIM 为 0.868，LPIPS 为 0.104，浮动 artifacts 减少约65%。
引用
@article{arxiv.2508.06169,
title = {UW-3DGS: Underwater 3D Reconstruction with Physics-Aware Gaussian Splatting},
author = {Wenpeng Xing and Jie Chen and Zaifeng Yang and Changting Lin and Jianfeng Dong and Chaochao Chen and Xun Zhou and Meng Han},
journal= {arXiv preprint arXiv:2508.06169},
year = {2025}
}