PUGS: Physics-Guided Uncertainty Modeling for Underwater Dynamic 3D Gaussian Splatting

📄 arXiv: 2610.17936v1 📥 PDF

作者: Tingjun Li, Yuxi Wang, Guoqiang Zhong, Zhaoxiang Zhang

分类: cs.CV

发布日期: 2026-10-13

💡 一句话要点

提出PUGS以解决水下动态场景重建中的不确定性问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics) 支柱四：生成式动作 (Generative Motion)

关键词: 水下图像重建 动态场景建模 不确定性建模 高斯点云 物理引导

📋 核心要点

  1. 现有动态3D高斯点云方法假设每个高斯点遵循确定的几何轨迹，但在水下环境中，这一假设因光学特性而失效。
  2. PUGS模型通过学习水下图像形成的不确定性，将每个高斯点的运动参数化为概率分布，从而更准确地建模动态场景。
  3. 在水下动态数据集上进行的实验表明，PUGS在渲染质量和重建鲁棒性上显著优于现有最强基线，PSNR提升分别为1.16 dB和3.99 dB。

📝 摘要（中文）

动态3D高斯点云（3DGS）为动态场景重建提供了高效框架，但现有方法在水下环境中面临光散射、折射和低能见度等挑战，导致物理模糊性。本文提出PUGS，一种物理引导的不确定性模型，学习水下图像形成引起的固有不确定性，并将其作为动态场景建模的物理信号。PUGS通过局部重参数化对高斯轨迹进行随机变形优化，探索多种物理上合理的解决方案，最终实现了更高的渲染质量和时间一致性。

🔬 方法详解

问题定义：本文旨在解决水下动态场景重建中的不确定性问题。现有方法通常依赖于确定性变形场，无法有效应对水下环境中的光学模糊性和低能见度。

核心思路：PUGS通过引入物理引导的不确定性模型，学习水下图像形成过程中的固有不确定性，并将其作为动态场景建模的信号。每个高斯点的运动被参数化为概率分布，允许模型探索多种可能的运动轨迹。

技术框架：PUGS的整体架构包括随机变形优化、局部重参数化和双路径自一致蒸馏目标。随机变形优化用于采样高斯轨迹，双路径蒸馏则将随机探索转化为确定性重建，确保时间一致性。

关键创新：PUGS的主要创新在于其物理引导的不确定性建模，区别于传统方法的确定性假设。通过引入概率分布，PUGS能够更好地适应水下环境的复杂性。

关键设计：在模型设计中，采用了随机变形优化和不确定性随机退火策略，以提高模型的鲁棒性和渲染质量。同时，损失函数设计考虑了时间一致性和重建精度，确保了模型的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，PUGS在UVEB数据集上相较于最强基线提升了1.16 dB PSNR，在DRUVA数据集上提升了3.99 dB，显著提高了渲染质量和时间一致性，验证了其有效性。

🎯 应用场景

该研究在水下动态场景重建领域具有广泛的应用潜力，特别是在海洋探测、环境监测和水下机器人导航等方面。通过提高水下图像的重建质量和鲁棒性，PUGS能够为相关领域提供更准确的视觉信息，推动技术进步。

📄 摘要（原文）

Dynamic 3D Gaussian Splatting (3DGS) provides an efficient framework for dynamic scene reconstruction. Most existing approaches model scene dynamics with deterministic deformation fields, assuming each Gaussian follows a distinct geometric trajectory over time. This assumption breaks down underwater, where light scattering, refraction, marine snow and low visibility create substantial physical ambiguity in captured images. We present PUGS, a physics-guided uncertainty model for underwater dynamic 3DGS. PUGS learns inherent uncertainty induced by underwater image formation and leverages it as a physical signal for dynamic scene modeling. Rather than estimating a single deterministic displacement, it parameterizes each Gaussian's motion as a probability distribution with expected deformation and physical uncertainty. We adopt stochastic deformation optimization to sample Gaussian trajectories via local reparameterization, exploring multiple physically plausible solutions during training. We further propose uncertainty stochastic annealing and a dual-path self-consistency distillation objective, converting stochastic exploration to deterministic reconstruction while preserving temporal coherence. Extensive experiments on underwater dynamic datasets and physics-aware benchmarks demonstrate superior rendering quality, temporal consistency and reconstruction robustness. Our method achieves 1.16 dB PSNR gain over the strongest baseline on UVEB and 3.99 dB on DRUVA.