Команда из EPFL, ETH Zurich, Google и Microsoft (Peiyu Liu, Dingxi Zhang, Federico Tombari, Marc Pollefeys, Christina Tsalicoglou, Daniel Barath) опубликовала на arXiv (2609.20818, 17 сентября 2026) метод SplashSplat для реконструкции брызжущих жидкостей из реальных мультивью-видео и первый бенчмарк синхронной многокамерной съемки таких сцен. Датасет и бенчмарк уже открыты под лицензией CC BY 4.0, код реконструкции обещан позже под MIT. Это релиз оценочной инфраструктуры, а не готового продукта: общий стандарт сравнения для динамической реконструкции жидкостей появился впервые.

image
image
image

Что произошло

17 сентября 2026 года на arXiv вышла статья «SplashSplat: Reconstructing Splashing Liquids from Real-World Multi-View Videos» (2609.20818). Вместе с методом авторы опубликовали бенчмарк: 20 реальных сцен с брызжущими жидкостями (bowl_001–bowl_017 и tank_001–tank_003), снятых семью синхронизированными калиброванными 4K-камерами на 60 fps, с вручную уточненными масками жидкости и фиксированными сплитами для оценки. В самом методе геометрию задают SDF-поверхности жидкости, слитые из масок каждого кадра; level-set перенос между соседними SDF дает грубое поле скоростей, вдоль которого движутся лагранжевы носители — они корректируются по новым наблюдениям, пересеваются там, где теряется покрытие, и декодируются в локальные гауссианы для дифференцируемого рендеринга. Авторы сообщают, что SplashSplat обходит динамические гауссовы методы Deformable-3DGS, Spacetime Gaussians и 4D-Scaffold-GS на реальных и синтетических сценах с более физически правдоподобным движением и меньшей стоимостью тренировки, а та же репрезентация без переобучения, по их словам, дает новые ракурсы, временную интерполяцию и перенос стиля цвета жидкости. Датасет и бенчмарк уже доступны на Google Drive под CC BY 4.0; код реконструкции в репозитории помечен как «coming soon» под MIT.

Контекст

Повода для такой работы долго не было именно потому, что не было данных: синхронного мультивью-датасета брызжущих жидкостей до сих пор не существовало, и реконструкция быстрых сред ограничивалась дымом, синтетическими сценами и плавными деформациями. Жидкости на реальных видео разрушают трекинг за доли секунды, поэтому класс сцен оставался вне зоны честных сравнений: каждый исследовательский коллектив подбирал собственные данные. Ручная разметка масок и фиксированные сплиты в новом бенчмарке снижают простор для cherry-picking при сравнении методов. Методная идея тоже фоновая, но важная: физическую структуру — SDF-поверхность плюс поле скоростей — авторы навязывают только там, где наблюдения ее реально ограничивают, вместо полной физической симуляции, которая дороже и хрупче.

Почему это важно для индустрии

Для индустрии весомее метода оказалась оценочная инфраструктура: первый открытый бенчмарк с фиксированными сплитами делает нишу динамической реконструкции жидкостей измеримой, а сам подход намекает, что физически правдоподобная реконструкция может стоить дешевле полноценной физической симуляции. Уже сейчас команды могут сравнивать свои динамические гауссовы методы на общих данных, файнтюнить их и строить оценочные пайплайны. Очевидные точки для производных работ — пересев лагранжевых носителей и грубое level-set поле скоростей. Если код выйдет как обещано под MIT, стоит ждать волны независимых воспроизведений на фиксированных сплитах, попыток обойтись меньшим числом камер, интеграции в существующие 3DGS-тулчейны и первых прототипов «реконструкция-как-сервис»: мультивью-видео на входе, редактируемый 4D-гауссиан-ассет на выходе. В горизонте пары лет, если траектория удержится, физически информированный динамический сплэттинг может распространиться на другие быстрые среды — дым, порошки, разрушения.

Почему это важно для пользователей

Практический эффект для читателей наступает сразу и односторонне. Сегодня можно скачать датасет с Google Drive (CC BY 4.0), прогнать на 20 сценах свои методы динамической реконструкции и сравниться на фиксированных сплитах — для исследователей динамической гауссовой реконструкции и 4D-репрезентаций это первый честный стенд для класса сцен, где предыдущие методы объективно не тестировались. Проектная страница и статья дают материал для планирования собственных экспериментов и оценки того, как предложенная архитектура ляжет на существующие пайплайны. Интегрировать сам SplashSplat в продукт пока нельзя: код реконструкции не опубликован, поэтому продуктовые UX-паттерны вокруг post-hoc-возможностей репрезентации стоит отложить до появления кода и независимой проверки заявлений.

Что пока неизвестно / ограничения

Главные оговорки касаются заявлений авторов, а не факта публикации. Post-hoc-возможности репрезентации — это заявления о собственной работе, а не верифицированные независимыми проверками результаты, и самое смелое среди них — временная интерполяция: съемка для реконструкции велась на 10 fps при камерах на 60 fps, то есть метод якобы улавливает быструю динамику брызг из разреженных по времени наблюдений, и этот пункт нужно именно проверять, а не принимать на веру. Код реконструкции не опубликован («coming soon» под MIT), поэтому воспроизвести метод, проверить заявленные метрики и стоимость тренировки или встроить его в пайплайн сейчас невозможно, а сроки релиза не названы. Наконец, риг из семи калиброванных 4K-камер с ручным уточнением масок задает высокую планку к съемке, и неясно, как он упростится или масштабируется за пределы лаборатории.

Источники

Автор

Look at AI, редакция