💻 computer science

WaterSplat-SLAM: Photorealistic Monocular SLAM in Underwater Environment

本文提出了 WaterSplat-SLAM，这是一种结合语义介质过滤与在线介质感知高斯地图的单体水下 SLAM 系统，能够在实现鲁棒位姿估计的同时生成高保真的水下环境渲染。

原作者： Kangxu Wang, Shaofeng Zou, Chenxing Jiang, Yixiang Dai, Siang Chen, Shaojie Shen, Guijin Wang

发布于 2026-04-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Kangxu Wang, Shaofeng Zou, Chenxing Jiang, Yixiang Dai, Siang Chen, Shaojie Shen, Guijin Wang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这是一篇关于水下机器人如何“看清”并“记住”海底世界的论文。为了让你轻松理解，我们可以把这项技术想象成给水下机器人装上了一副**“超级智能眼镜”和“会呼吸的 3D 记忆库”**。

1. 核心难题：为什么水下拍照这么难？

想象一下，你戴着潜水镜在浑浊的水里游泳。

光线被吃掉：水像一块吸光的黑布，越往深处，光线越暗（衰减）。
光线乱跑：水里的微小颗粒（像灰尘或浮游生物）会让光线发生散射，导致你看到的物体边缘模糊，甚至眼前有一层“白雾”（后向散射）。
传统方法的失败：以前的水下机器人就像是用“老式相机”拍照，它们要么只能画出稀疏的线框图（看不清细节），要么在浑浊的水里直接“瞎”了，因为水把图像弄得太脏，机器无法识别物体。

2. 解决方案：WaterSplat-SLAM（水下“泼墨”定位与地图系统）

作者提出了一种新方法，叫 WaterSplat-SLAM。它的名字很有趣，"Splat"指的是3D 高斯泼溅（3D Gaussian Splatting），这是一种像“泼油漆”一样把场景变成无数彩色小光点来重建 3D 世界的新技术。

但这篇论文的厉害之处在于，它给这个技术加上了**“水下特供版”**的滤镜。

核心魔法一：给眼睛装上“去雾眼镜”（语义介质过滤）

普通眼镜：看到什么拍什么，包括水里的脏东西。
WaterSplat 的眼镜：它先戴上一副**“智能去雾眼镜”**（语义分割）。这副眼镜能瞬间分辨出：“哦，这是鱼（物体）”，“哦，这是水（介质）”。
怎么做：在机器人计算自己位置时，它故意忽略那些代表“水”的像素，只盯着“鱼”、“珊瑚”或“管道”看。这就好比你在雾天开车，只盯着路标和车辆，而忽略飘在空中的雾气，这样就不会被雾带偏方向了。

核心魔法二：给地图装上“会呼吸的 3D 记忆库”（在线介质感知高斯图）

传统的 3D 地图是把物体画成一个个小方块或点。但在水下，水本身也是有“体积”的，它也会发光、散射。

旧方法：试图用画物体的方法去画水，结果画出来全是乱码，或者把水误认为是奇怪的石头。
新方法：WaterSplat-SLAM 把世界分成了两部分：
1. 硬物体（鱼、船、珊瑚）：用彩色的小光点（高斯球）来精准描绘。
2. 软介质（水）：它不画水，而是给每一束光线加一个**“隐形滤镜”**。这个滤镜会告诉系统：“这束光穿过水时，变暗了多少？颜色偏蓝了多少？”
- 比喻：就像你在画画时，不仅画了苹果（物体），还专门画了一层“水雾滤镜”覆盖在苹果上。这样，无论你怎么看，苹果看起来都像是在水里一样真实。

核心魔法三：智能整理员（自适应地图管理）

机器人走久了，地图会变得巨大无比，全是重复的碎片。

做法：当机器人转了一圈回到原点（闭环检测）时，系统会像一个**“整理员”**，把重叠的、重复的“小光点”合并成一个。
效果：既省内存，又让地图更清晰，不会让机器人因为地图太大而“死机”。

3. 它有多厉害？（实验结果）

作者在真实的水下环境（有的像游泳池一样清澈，有的像深海一样浑浊）里做了测试：

看得更清：它生成的地图照片，就像是用高清相机拍的一样，连远处模糊的物体都能还原得很逼真。
走得更稳：即使在浑浊的水里，机器人也不会迷路，因为它能过滤掉水的干扰，精准定位。
比对手强：比起以前那些要么只能画线框、要么在浑水里直接失效的旧系统，WaterSplat-SLAM 在清晰度和定位准确度上都赢了。

总结

WaterSplat-SLAM 就像是给水下机器人装了一个**“懂水的 AI 大脑”**。它不再把水当成干扰噪音，而是把水当成环境的一部分，专门学习怎么“透过水看世界”。

一句话概括：
以前水下机器人是“雾里看花”，现在有了 WaterSplat-SLAM，它就像戴上了**“透视去雾眼镜”，不仅能精准定位，还能画出像照片一样逼真**的 3D 海底世界，哪怕是在最浑浊的水里也能看得清清楚楚。

WaterSplat-SLAM 技术总结

1. 研究背景与问题 (Problem)

水下单目 SLAM（即时定位与地图构建）在自主水下航行器（AUV）、海洋考古和管道检测等领域具有重要应用价值。然而，现有的水下 SLAM 方法面临以下核心挑战：

环境退化严重：水下场景存在严重的光学退化，包括光衰减（attenuation）和散射（scattering），导致图像模糊、对比度低。
现有方法局限性：
- 基于手工特征的方法在光照差、浑浊或低纹理环境下容易失效。
- 基于稠密点云或占据栅格的方法（通常融合声呐或激光）难以实现高保真（photorealistic）的渲染。
- 新兴的基于 3D 高斯泼溅（3DGS）的 SLAM 方法（如 MonoGS）直接应用于水下时，未能建模水介质的物理特性。它们将水介质错误地表示为几何高斯原语，导致重建质量下降，且无法准确区分物体与水体，影响后续的路径规划和抓取任务。
核心痛点：如何在单目输入下，同时实现鲁棒的相机位姿估计和高保真的水下场景稠密重建，并正确建模水体介质。

2. 方法论 (Methodology)

作者提出了 WaterSplat-SLAM，一个基于语义引导的在线介质感知高斯 SLAM 系统。其核心流程如图 1 所示，主要包含以下模块：

A. 语义引导的单目跟踪 (Semantic-guided Monocular Tracking)

语义分割：利用 CLIPSeg 模型对输入图像进行语义分割，生成水体掩码（Water Mask），区分“物体区域”和“水体区域”。
抗干扰跟踪：在基于 MASt3R 的双视图 3D 重建和位姿估计过程中，剔除水体像素的置信度。通过仅利用物体区域的特征进行匹配，抑制水体对相机跟踪的干扰，生成多视图一致的深度图和全局一致的相机位姿。
初始化：利用上述位姿和点云为高斯地图提供高质量的初始化。

B. 在线介质感知高斯映射 (Online Medium-aware Gaussian Mapping)

混合渲染模型：系统不仅重建几何物体，还通过一个介质网络（Medium Network, MLP） 预测三个水体属性：
- $\sigma_{attn}$ ：衰减密度
- $\sigma_{bs}$ ：后向散射密度
- $c_{med}$ ：介质颜色
语义引导渲染：
- 将场景渲染分为物体渲染（ $\hat{C}_{obj}$ ）和介质渲染（ $\hat{C}_{med}$ ）两部分。
- 物体部分使用标准 3DGS 渲染，但引入衰减项。
- 介质部分根据射线方向预测并渲染水体颜色，避免将水体错误地建模为几何高斯原语。
损失函数设计：
- 语义引导光度损失：利用水体掩码，强制水体像素仅由介质渲染部分拟合，物体像素由物体渲染部分拟合，防止高斯原语“吸收”水体噪声。
- 几何损失：对参与渲染的高斯原语施加各向同性约束，防止细长原语产生伪影。

C. 自适应高斯地图管理 (Adaptive Gaussian Map Management)

全局一致性维护：在回环检测（Loop Closure）和全局 BA 优化后，根据位姿变化自适应调整关联的高斯原语（位置、旋转、缩放），确保几何关系正确。
原语合并策略：当检测到回环时，利用体素网格（Voxel Grid）对当前帧与回环帧重叠区域的高斯原语进行合并。将同一体素内的多个原语合并为一个代表原语（平均属性），显著减少地图冗余和存储需求，同时保持渲染质量。

3. 主要贡献 (Key Contributions)

首个水下高保真单目 SLAM 系统：提出了 WaterSplat-SLAM，实现了鲁棒的位姿估计和 photorealistic 的稠密水下地图重建。
语义引导的介质感知渲染：设计了在线介质感知高斯地图，通过语义分割引导渲染过程，显式分离物体与水体，避免了传统 3DGS 将水体误建模为几何实体的问题。
自适应地图管理策略：提出了一种紧凑的地图管理方案，通过回环检测后的原语合并，在保持渲染质量的同时显著降低了高斯原语的数量和存储需求。

4. 实验结果 (Results)

作者在 SeaThru-NeRF 数据集（包含 Curacao, RedSea 等四个真实水下场景）和自建的 WaterSplat-SLAM 数据集（包含不同浑浊度和几何复杂度的水池序列）上进行了验证。

渲染质量：
- 在 SeaThru-NeRF 数据集上，WaterSplat-SLAM 在 PSNR、SSIM 和 LPIPS 指标上均显著优于现有的 NeRF 基线（如 GO-SLAM）和 3DGS 基线（如 MonoGS, S3PO-GS）。例如，在 Curacao 序列上，PSNR 达到 28.91，远超次优方法的 21.79。
- 在自建数据集上，平均 PSNR 达到 30.19，优于所有对比方法。
- 即使与离线方法 WaterSplatting 相比，WaterSplat-SLAM 作为在线系统也取得了更好的 PSNR 表现（30.19 vs 28.88）。
跟踪精度：
- 在绝对轨迹误差（ATE）方面，WaterSplat-SLAM 在所有序列中均保持鲁棒，未出现像 ORB-SLAM3 或 MonoGS 那样的失效（Fail）情况。
- 平均 ATE 为 0.219m，优于大多数对比方法，证明了剔除水体特征对跟踪稳定性的关键作用。
效率与存储：
- 通过原语合并策略，在 Pool loop 序列中减少了 24.3% 的高斯原语数量，同时保持了重建质量。
- 系统运行帧率在 2-5 FPS 之间，虽然略低于部分基线，但具有更稳定的波动，且渲染质量更高。

5. 意义与影响 (Significance)

理论创新：首次将语义分割与 3DGS 的介质建模深度结合，解决了水下环境中“物体”与“介质”耦合建模的难题，为水下视觉重建提供了新的物理建模思路。
应用价值：生成的地图不仅几何准确，而且具有照片级真实感，这对于水下机器人的视觉伺服、目标抓取、路径规划以及海洋考古可视化至关重要。
系统效率：通过自适应管理策略，解决了 3DGS 在长序列任务中存储膨胀的问题，使其更适用于资源受限的水下机器人平台。
开源贡献：代码已开源，推动了水下机器人感知领域的研究发展。

总结：WaterSplat-SLAM 通过引入语义信息来区分水体与物体，并显式建模水体物理属性，成功克服了水下环境的光学退化挑战，实现了目前水下单目 SLAM 中在位姿估计和渲染质量上的最佳平衡。