RUSplatting: Robust 3D Gaussian Splatting for Sparse-View Underwater Scene Reconstruction

要約

高忠実度の高い水中シーンを再構築することは、軽い吸収、散乱、および水生環境に固有の限られた視認性のために、困難な作業の依然として課題です。
このペーパーでは、深い水中レンダリングの視覚的品質と幾何学的精度の両方を改善する強化されたガウスのスプラッティングベースのフレームワークを紹介します。
より正確な色の回復を可能にするために、水中減衰の物理学に導かれたRGBチャネルの分離学習を提案します。
スパースビューの制限に対処し、ビューの一貫性を改善するために、新しい適応重み付けスキームを使用してフレーム補間戦略を導入します。
さらに、エッジを維持しながらノイズを減らすことを目的とした新しい損失関数を導入します。これは、深海の含有量に不可欠です。
また、新しく収集されたデータセット、Submerged3Dをリリースし、深海環境で特にキャプチャされました。
実験結果は、私たちのフレームワークは、PSNRが最大1.90dBの利益を得て、一貫して最先端の方法を上回り、優れた知覚品質と堅牢性を提供し、海洋ロボット工学と水中視覚分析の有望な方向性を提供することを示しています。

要約(オリジナル)

Reconstructing high-fidelity underwater scenes remains a challenging task due to light absorption, scattering, and limited visibility inherent in aquatic environments. This paper presents an enhanced Gaussian Splatting-based framework that improves both the visual quality and geometric accuracy of deep underwater rendering. We propose decoupled learning for RGB channels, guided by the physics of underwater attenuation, to enable more accurate colour restoration. To address sparse-view limitations and improve view consistency, we introduce a frame interpolation strategy with a novel adaptive weighting scheme. Additionally, we introduce a new loss function aimed at reducing noise while preserving edges, which is essential for deep-sea content. We also release a newly collected dataset, Submerged3D, captured specifically in deep-sea environments. Experimental results demonstrate that our framework consistently outperforms state-of-the-art methods with PSNR gains up to 1.90dB, delivering superior perceptual quality and robustness, and offering promising directions for marine robotics and underwater visual analytics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google