Why 3D Reconstruction Breaks Down on Under-Ice AUV Video, and How to Predict It

📄 arXiv: 2610.19993v1 📥 PDF

作者: Ana-Ştefania Kogălniceanu, Klára Orbán, Ashwin Nedungadi, Stefan Lüdtke, Kuderna-Iulian Benţa

分类: cs.CV, cs.RO

发布日期: 2026-10-14

备注: Short paper presented at the 2nd Workshop on Marine Vision, ECCV 2026, Malmö, Sweden, September 8, 2026. Published on OpenReview: https://openreview.net/forum?id=6wgkZngDjW

💡 一句话要点

提出检测系统以解决水下AUV视频三维重建失败问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱六：视频提取与匹配 (Video Extraction) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 三维重建 水下AUV 捕获机制 检测系统 南极研究

📋 核心要点

  1. 现有的三维重建方法在水下AUV视频中表现不佳，具体原因尚不明确，可能是方法本身或捕获系统的缺陷。
  2. 本文提出了一种检测系统，能够快速识别三维重建失败，显著减少计算资源的浪费。
  3. 实验表明，四种重建模型均未能成功，且每种方法的失败模式各异，揭示了捕获机制的影响。

📝 摘要（中文）

在水下冰层的AUV视频重建三维结构时，准确性不足，尚不清楚是方法的缺陷还是捕获系统的固有不足。本文测试了四种重建模型在同一南极水下AUV视频上的表现，包括经典特征匹配的SfM、可微分光度溅射、体积深度融合和无姿态前馈基础模型。四种方法均未能成功，各自表现出不同的失败模式。我们分析表明，这些失败与相同的捕获机制有关，即小相机基线与场景深度的比率。基于此，我们提出了一种检测系统，可以在几分钟内标记这种类型的失败，避免数小时的计算浪费。

🔬 方法详解

问题定义：本文旨在解决水下AUV视频三维重建中的准确性不足问题。现有方法在特定捕获条件下表现不佳，导致重建结果不理想。

核心思路：通过分析四种重建模型的失败模式，提出了一种快速检测系统，能够在短时间内识别出重建失败的情况，从而节省计算资源。

技术框架：研究中测试了四种重建模型，包括经典特征匹配的SfM、可微分光度溅射、体积深度融合和无姿态前馈基础模型。每种模型在相同视频数据集上进行评估，分析其失败原因。

关键创新：最重要的创新在于提出了一种检测系统，能够在几分钟内识别出重建失败，显著提高了处理效率，与传统方法相比，避免了数小时的计算浪费。

关键设计：在模型评估中，关注相机基线与场景深度的比率，发现其对重建结果的影响显著。通过对失败模式的深入分析，设计了相应的检测机制。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，四种重建模型均未能成功，表现出不同的失败模式。通过提出的检测系统，能够在几分钟内识别出重建失败，显著减少了计算时间，提升了处理效率。

🎯 应用场景

该研究的潜在应用领域包括水下探测、环境监测和冰下生态研究等。通过提高三维重建的准确性和效率，能够更好地支持科学研究和资源管理，具有重要的实际价值和未来影响。

📄 摘要（原文）

Reconstruction of 3D structures using under-ice AUV video footage has been inaccurate, although it is not certain whether this is due to shortcomings in the methods or an inherent deficiency of the capture system. We test four different models for reconstruction on the same Antarctic under-ice AUV video (Icefin, Kamb Ice Stream): classical feature matching SfM, differentiable photometric splatting, volumetric depth fusion, and a pose-free feed-forward foundation model. All four fail, each in a distinct way: near-total registration yielding almost no structure, geometrically broken output despite healthy photometric metrics, a persistent coverage artifact, and unstable cross-chunk scale. We show that all four are consistent with the same capture regime, a small camera-baseline-to-scene-depth ratio. Following our analysis, we propose a detection system that flags this type of failure in minutes, rather than hours of wasted compute.