Water3D

Water3D是由华中科技大学构建的一个综合性水下多视角三维几何数据集，旨在解决水下视觉领域缺乏大规模高质量三维标注数据的难题。该数据集包含42个不同的水下场景，覆盖了多种水体环境和复杂的水下条件，每个场景均提供了精确的相机位姿和深度图标注，数据规模显著超越了现有同类基准。数据集的创建过程整合了真实水下视频素材，并经过严格的筛选与标注流程，确保了几何注释的准确性与多样性。该数据集主要应用于水下三维几何估计任务的评估与模型训练，如多视角深度估计和点云重建，旨在推动水下机器人导航、海洋测绘及水下考古等领域的发展。

Water3D is a comprehensive underwater multi-view 3D geometry dataset constructed by Huazhong University of Science and Technology, aiming to address the shortage of large-scale high-quality 3D annotated data in the underwater vision field. This dataset includes 42 distinct underwater scenarios, covering various aquatic environments and complex underwater conditions. Each scenario is provided with precise camera poses and depth map annotations, and its data scale significantly outperforms existing similar benchmarks. The construction process of the dataset integrates real underwater video footage, and has undergone strict screening and annotation procedures to ensure the accuracy and diversity of geometric annotations. This dataset is mainly applied to the evaluation and model training of underwater 3D geometry estimation tasks, such as multi-view depth estimation and point cloud reconstruction, aiming to promote the development of fields including underwater robot navigation, marine surveying and mapping, and underwater archaeology.

原始信息汇总

数据集概述：Water3D

Water3D 是一个面向水下场景几何任务评估的多样化数据集，由 Wat3R 项目构建，旨在填补水下环境缺乏综合评估基准的空白。

数据集特点

• 多样化场景：涵盖多种水体环境和水下场景，适用于几何任务评估。
• 无标注数据：该数据集主要用于评估，不依赖人工标注，其构建动机源于水下环境难以获取大规模高质量3D标注。

相关背景

Water3D 数据集是作为 Wat3R（一种跨领域半监督学习框架）的评估基准而设计的。Wat3R 利用无标注水下视频，通过教师-学生架构学习鲁棒的几何表示，并在 Water3D 上进行多视图深度估计和点云重建任务的评估。

数据集状态

• 待发布：项目 TODO 列表中标注为尚未公开，计划后续发布。

引用格式

若在研究中使用该数据集，建议引用相关论文：

bibtex @inproceedings{ren2026wat3r, title={Wat3R: Underwater 3D Geometry Learning without Annotations}, author={Ren, Jiangwei and Jiang, Xingyu and Song, Zijie and Xu, Wei and Lin, Hongkai and Liang, Dingkang and Bai, Xiang}, booktitle={Proceedings of the European Conference on Computer Vision}, year={2026} }

搜集汇总

数据集介绍

构建方式

Water3D的构建源于对现有水下基准数据集标注不完整与场景覆盖不足的深刻洞察。研究团队首先从公开来源收集了大量原始水下视频素材，经过严谨的人工筛选，剔除含水面或空中镜头、频繁剪辑、严重模糊或压缩、以及由开放水域或运动物体主导的片段，最终保留了5,504段连续且结构可见的视频片段。在此基础上，通过每隔十帧采样一帧的方式降低时间冗余，总计获得约35.9万张训练图像。为了获得精确的三维标注，研究者采用了改进的COLMAP管线，使用经合成水下数据微调的MINIMA特征匹配算法进行重建，并由人工对所有42个场景的相机位姿与深度标注结果进行逐帧校验，仅保留配准稳定、无显著崩塌或异常值的场景，从而构建了一个覆盖海域、湖泊与河流等多种水体环境的综合性评估基准。

使用方法

Water3D数据集专为水下三维几何任务的评估而设计，适用于多视角深度估计、点云重建与相机位姿估计等研究。使用时，研究者可直接采用数据集中提供的图像序列与对应的三维标注文件。对于深度估计任务，推荐在评估时先对每个视频序列进行等间隔采样或随机打乱顺序以模拟稀疏输入场景，再利用标准深度度量如绝对相对误差与δ1准确率进行评价。对于点云重建任务，可依照论文中的惯例，对每段序列均匀采样20帧，通过与COLMAP获取的参考点云进行Sim(3)对齐后计算精度、完整度及总体均值。该数据集已公开代码与模型，便于直接复现与扩展。

背景与挑战

背景概述

水下三维几何估计旨在从多视角图像中恢复相机位姿、深度图与点云，是水下机器人导航、海洋测绘及考古等应用的核心支撑。然而，水下环境中光线的衰减与散射导致视觉信号严重退化，使得大规模、高质量的三维标注数据极为匮乏，严重制约了前馈式三维重建模型在该领域的泛化能力。为突破这一瓶颈，华中科技大学白翔教授团队于2026年构建了Water3D数据集，该数据集包含42个真实水下场景，覆盖浅海、深海、湖泊与河流等多种水体类型，并提供了准确的深度与位姿标注。Water3D的提出填补了水下场景缺乏综合三维评估基准的空白，为跨域半监督学习框架Wat3R的验证提供了坚实基础，显著推动了水下三维视觉研究的发展。

当前挑战

Water3D数据集所解决的领域问题聚焦于水下环境的前馈式三维几何估计。由于水下成像的物理特殊性，直接迁移陆地训练的前馈模型面临严重的域偏移，导致深度估计与点云重建精度骤降。此外，现有水下数据集普遍存在标注不完整、场景覆盖有限等缺陷，无法支撑鲁棒模型的评估与训练。在数据集构建过程中，挑战同样显著：水下视频常因悬浮颗粒、弱纹理区域及受限相机运动导致经典SfM管道重建失败或产生退化结构。为此，研究团队需对近百个场景进行手工筛选与密集校验，最终仅保留42个稳定注册的场景，以确保标注准确性与几何一致性，这极大增加了数据集的构建成本与技术难度。

常用场景

经典使用场景

Water3D数据集最经典的使用场景在于水下三维几何结构的重建与评估。由于水下环境中存在严重的光衰减与散射现象，传统陆地三维重建模型在该领域表现欠佳。Water3D提供了涵盖浅海、深海、湖泊及河流等多种水体类型的42个场景，并配有精确的相机位姿与深度标注，为研究者提供了一个全面且标准化的水下几何任务评估基准，可用于多视角深度估计、点云重建及相机位姿估计等核心任务的性能验证。

解决学术问题

该数据集有效解决了水下三维几何学习中缺乏大规模高质量三维标注的学术困境。传统方法依赖密集且昂贵的水下三维真值，而Water3D通过提供真实的视频数据与精确重建的几何标注，支撑了半监督学习框架的验证与优化。其核心贡献在于推动了无需水下三维标注即可进行泛化的几何学习范式，例如论文中提出的Wat3R框架，通过跨域半监督策略在无标注数据上实现了优异的水下三维恢复性能，显著缓解了因领域漂移导致的模型退化问题。

实际应用

在实际应用中，Water3D为水下机器人自主导航、海洋地形建模、水下考古及油气管道巡检等场景提供了关键技术支持。通过训练出能准确估计深度与点云的模型，机器人可在浑浊或弱光照条件下实现态势感知与障碍物规避。此外，该数据集还可用于水下搜救任务中的三维场景快速重建，以及海洋生物学研究中珊瑚礁结构的精确数字化，从而提升海洋工程与科研任务的效率与安全性。

数据集最近研究

最新研究方向

Water3D数据集是水下视觉几何学习领域的前沿标杆，聚焦于无需水下三维标注的跨域半监督重建框架。当前研究热点围绕利用无标注真实水下视频，通过师生网络架构与跨视图一致性损失，克服光衰减与散射导致的信息退化，实现从空气域到水下域的前馈式三维几何泛化。该数据集涵盖42个多样化水下场景，提供完整的深度与位姿标注，填补了现有基准在场景多样性与标注完备性上的空白。其意义在于为水下机器人导航、海洋测绘等实际应用提供了可靠的三维评估平台，并推动了面向复杂环境的几何学习新范式。

相关研究论文

• Wat3R: Underwater 3D Geometry Learning without Annotations

  华中科技大学 · 2026年