水花只活几分之一秒，但这次被 7 台 4K 相机抓住了：单篇深读 SplashSplat，真实世界液体的 4D 重建

慢放的画面里，一滴水砸进水池，会先拉出一张薄薄的「水片」，水片边缘撕开成一根根细丝，细丝再断成一串串小水珠，水珠弹起来，又落回水面。整个过程，从头到尾不到十分之一秒。你的眼睛看到了，手机也拍下来了。但如果你让一台计算机「重建」这个瞬间——把它变成可以在任意角度回看、可以放进电影或者游戏里的 3D 模型——它大概率会直接懵掉。

这是计算机视觉里一个特别反直觉的真相：拍得到，不等于重建得出。尤其当对象是「正在溅射的液体」时，几乎所有成熟的重建方法都会失灵。

今天要深读的这篇论文，就是冲着这个「不可能」来的。

SplashSplat: Reconstructing Splashing Liquids from Real-World Multi-View Videos（arXiv 2609.20818，2026 年 9 月 17 日提交），作者来自 EPFL（洛桑联邦理工学院）等，作者列表里有 Federico Tombari 和 Marc Pollefeys 这些在 3D 视觉领域响当当的名字。它做了两件此前没人做成的事：第一，公开了第一套真实世界水花的同步多视角数据集；第二，给出了一套能在这些真实水花上重建出 4D 液体、且物理上更合理、训练成本更低的方法。

为什么这件事难，又为什么它值得你知道，我们一层层拆开讲。

一张照片装不下一个世界

先把「重建」这个词说清楚。

假设你有十几台手机，围着一个杯子从各个角度同时按下快门。你要的不只是这十几张照片，而是想得到这样一个东西：随便给我一个没拍过的角度，我都能「生成」出那个杯子在那个角度长什么样。 这个任务，学术上叫新视角合成（Novel View Synthesis，NVS）。

注意，这不是简单的拼图。十几个角度之间的空间是「空的」，算法必须自己脑补出完整的 3D 结构——杯子是圆的、杯沿有厚度、反光的角度对得上。很久以前这都是靠手工建模，后来大家学会了用一套数学表达去「拟合」一个场景。

近十年的代表是两个流派。

先是 NeRF（神经辐射场）。它把场景想象成一个连续的函数：输入一个空间坐标和一个观察方向，输出那个位置的密度和颜色。训练时，算法沿视线发射光线、一步一步「采样」，再把采到的颜色累积起来，得到一像素的颜色。这个过程叫光线步进（ray marching）。NeRF 的效果惊艳——能看到真实感的全新视角，一时间刷屏。但它的软肋也很明显：慢。一条光线要采几百个点，渲染一张图要很久，训练要几小时甚至几天，根本没法实时。

接着是 3D 高斯泼溅（3D Gaussian Splatting，3DGS）。它换了个思路：不再用「连续函数隐式描述场景」，而是把一个场景看成一堆漂浮在空间里的、可参数化的小高斯斑块——每个斑块有位置、大小、形状、颜色和不透明度。训练就是用这些斑块去「熨平」所有输入照片的观感，渲染时则用一种叫 tile-splatting 的快速光栅化算法，把小斑点按深度排序、逐个画到屏幕上。结果是：照片级真实，同时快到能实时。3DGS 在 2023 年一出来就横扫了新视角合成领域，成了新的标准。

再往后，大家不满足于「静态」了。要让场景动起来——风吹的树、走的人、飞驰的车——就有了动态 3D 高斯泼溅，也叫 4D 重建（三维空间 + 时间轴）。这一支进展飞快：CVPR 2026 的最佳论文 D4RT 就是做 4D 场景重建的；Syn4D 这类多视角 4D 数据集也在 ECCV 2026 被提出来。

表格 1：三代重建方法对比

方法	表示方式	怎么渲染	速度	擅长对象
NeRF	连续神经函数（隐式）	光线步进采样	慢，离实时很远	高质量静态场景
3DGS	显式高斯斑块集合	tile-splatting 光栅化	实时	静态场景的照片级新视角
动态 3DGS（4D）	随时间变化的高斯	光栅化 + 运动建模	近似实时	缓慢形变的动态物体

看起来，能重建的东西越来越多了。

但有个东西，一直不在「被搞定」的名单里。

为什么偏偏是液体

你翻遍那些最火爆的动态重建演示视频，会发现一个规律：烟可以，雾可以，人的头发丝勉强可以，但没有任何一段真实水花的重建。

有研究者确实做过液体的新视角合成，但看细节会发现，他们的视频几乎都是合成的——先在计算机里模拟出水花，再用模拟结果当「真值」去训练和评测。真实相机拍下的、物理上真实发生的水花，几乎没人碰。

不是不想碰，是液体太「不配合」了。SplashSplat 的作者在论文开篇就总结了三大死因：

第一，寿命极短。水花只活几分之一秒。一个重建方法要工作，得先「认出」这个物体，再跟踪它。可水花还没被系统认熟、跟踪好，就已经碎成了几百个液滴、消失了。

第二，外观依赖视角，且几乎无纹理。一滴水珠几乎没有图案，它给相机的是反光和折射——你从左边看和从右边看，长得完全不一样。重建算法极度依赖「在两个视角中找到同一个点」的对应关系，而水花恰恰不提供任何稳定的特征点让你对应。

第三，拓扑一直在变。这是最致命的。薄片是连成一片的「面」，撕开后变成一根根「线」，线又断成一个个「点」。几何形状从片到线到点到消失，连续性被彻底打断。大多数重建方法都默认「这个物体的形状是持续的、可跟踪的」——水花直接把这个假设撕了。

这三点叠加起来就一句话：重建依赖对应关系，而水花拒绝提供对应关系。

表格 2：液体重建的四类场景

类型	例子	难度	现状
缓慢形变	水面缓缓涟漪	低	已基本解决
烟 / 气	烟雾缭绕	中	有专门方法
合成液体	模拟引擎生成的水	中	常用基准
真实飞溅水花	水滴砸落、液体泼溅	极高	此前无数据集、无方法

第一块真实水花基准

SplashSplat 先补的是「没有数据集」这个窟窿。

他们建了一套采集系统：7 台同步、标定过的 4K 相机，以每秒 60 帧的速度同时拍摄。同步是关键——7 台机器必须认准同一个瞬间，否则水花的位置对不上；标定是要知道每台相机在空间里的精确位置和朝向，否则重建时几何就塌了。

他们一共拍了 20 个真实场景，从连贯的水流（平稳地喷射、落下）到剧烈的水花（用力砸出、四处飞溅）都覆盖了。

然后是最费人力的一步：标注。水花是半透明的、会反光、会折射，想要自动分割出「哪几个像素是水」极其困难。所以作者采用逐视角的人工精化——每个视角、每一帧，都要有人工仔细调整液体和容器的掩码（mask），把「属于水」的部分从背景里抠出来。这是一个又慢又讲究的活儿，但也正是因为它够讲究，这套数据才配叫基准。

他们还做了固定的评测划分：训练用的、测试用的场景严格分开、公布出来。这保证了不同的算法能在这同一套数据上公正地比较——这是后续所有研究能不能真正进步的前提。

一句话：在「真实水花重建」这件事上，SplashSplat 把「大家都缺的考试卷」第一次出出来了。

只在观测能约束的地方施加物理

有了卷子，还得有解法。SplashSplat 的方法，核心可以浓缩成一句话原则：

只在观测能约束的地方施加物理结构。

意思是，不要一上来就对着水花套一套强物理模型——水花那么复杂，你套的东西大概率是错的，观测也印证不过来。反过来，也别完全放弃物理、纯靠数据硬学——那样学出来的运动不真实、不连贯。做法是：让物理只负责提供「合理的粗结构」当作先验，然后让每一帧的真实观测去修正它、闭环它。

具体分四步走，下面这张图是全程：

flowchart LR
    M["多视角 4K 视频 + 逐帧 mask"]
    S["逐帧液体 SDF<br/>(由 mask 融合得到几何)"]
    V["level-set 输运<br/>(相邻帧求粗速度场)"]
    L["拉格朗日载体<br/>(沿流平流)"]
    G["解码局部高斯"]
    R["可微渲染 + 观测修正"]
    M --> S --> V --> L --> G --> R
    R -. 每帧修正 / 重新播种 .-> L

第一步：用 mask 拼出几何。 7 个相机、每个视角都有液体 mask，把它们融合起来，就能构建出每一帧水花的 SDF（有向距离场）——一种用「每个点到液体表面的带符号距离」来描述形状的表示。SDF 给了每一帧水花一个「形状骨架」。

第二步：算一个粗略的速度场。 相邻两帧的 SDF 之间存在位移，用 level-set 输运（把形状随时间「搬运」的技术）在相邻帧之间做匹配，就能反推出一片粗略的速度场——水大概在往哪个方向、以多快的速度流动。注意只是「粗的」：它不见得精确到每条小水柱，但它给出了运动的大方向。

第三步：拉格朗日载体跟着流走。 这是最关键的一步设计。在流体力学里，「拉格朗日视角」是跟着一团流体微团走，看它个体怎么变形；「欧拉视角」则是站在一个固定网格上看流体流过。SplashSplat 在速度场里撒下很多「载体」（carrier）——它们就是一群会跟着水流走的「小跟班」。载体沿着上一步算出的速度场平流（被水流带着走），每到一个新观测帧，就用真实的 mask 观测去修正载体的位置；如果某个区域的水花彻底消失、覆盖全丢了，就在那里重新播种新的载体。

这套「跟随 + 修正 + 重播种」的组合拳，正好对付水花三大死因：载体不要求物体的持续跟踪（碎就碎了，重新种），但又用每一帧的观测拉住不飘。

第四步：解码并渲染。 每个载体根据它周围的信息，解码出一小组局部高斯（local Gaussians），这些高斯拼起来就可以做可微渲染——也就是能被梯度反传、能被训练优化的渲染。渲染结果再和真实观测比对，反过来再修正载体位置，如此循环，直到收敛。

把整个设计串起来看，它的优雅在于分工：物理负责提供「大概对」的运动先验，观测负责「纠正到精确」。数据里能约束的地方（mask 提供的几何、相邻帧提供的运动线索），物理结构才敢加上去；数据约束不了的地方（细节到液滴级的散乱），它就不强加模型、交给观测兜底。

这也解释了一个有意思的差异：为什么它比「纯学习」的方法强。动态高斯泼溅类方法通常假设「有一块持续存在的几何可以变形」，水花直接违反这个假设；SplashSplat 不假设持续几何，它假设的是「有一群可以随时重生的载体沿着物理流场走」——这个假设对水花是成立的。

更真、更快，还能变

作者在多个维度给出了结果，论文里的几个关键结论如下（数字与摘要一致，不做延伸）：

第一，超过现有最强的动态高斯泼溅方法。 在真实采集的场景和合成基准上都拿到了更好的结果。注意「合成基准」这个点很关键——合成基准有完美真值，是公认的硬指标，SplashSplat 在它上面也超越了 SOTA，说明优势不是只在自家数据上刷出来的。

第二，运动物理上更合理。 重建出的水花运动符合液体的物理直觉——该撕裂的地方撕裂，该落回的地方落回，不会出现「液体像果冻一样整体晃动」的诡异现象。这是「物理先验 + 观测闭环」路线最直观的回报。

第三，训练成本更低。 这一点对工程师尤其友好：不用数天级的训练，重建更省算力。

第四，同一个表示，白送两个能力——时间插值和风格迁移，而且不用重新优化。 时间插值：在相邻帧之间可以生成中间帧，把慢动作做得更顺滑。风格迁移：把液体的「外观」换一种——比如把水换成一团发光的、像熔岩一样的液体——而运动结构不变。这两个在以前需要重新跑一遍优化甚至换一套模型，现在直接用。

表格 3：SplashSplat 与典型动态方法的维度对比

维度	传统动态 3DGS	SplashSplat
几何假设	持续可变形几何	可重生的拉格朗日载体
物理角色	无 / 弱物理	物理粗先验 + 观测闭环
对真实飞溅	基本失效	首个可重建
训练成本	高	更低
时间插值 / 风格迁移	需重优化	免重优化

冷静看：万事开头难的「开头」

这篇论文的意义不能被夸大，它自己也坦诚局限。把话说在明处：

它重建的是「已被拍下来」的水花，不是预测。 它做的事是把 7 台相机捕捉到的瞬间还原成一个可自由视角的 4D 模型，而不是预言下一滴水会往哪溅。这是「逆问题」（从观测反推状态），不是「正问题」（从状态推未来）。

掩码依赖人工精化，采集门槛不低。 7 台同步 4K 相机加人工逐帧掩码，这套流程目前还进不了普通人的客厅。它是实验室级的「高精度原型」，不是随手可用的一键工具。

物理仍是粗先验，极端细节会勉强。 到了液滴级、雾气级的散乱细节，观测约束不住，物理先验也给不了更精的答案。它解决的是「整体运动合理」，不是「每个分子都对」。

20 个场景只是开始。 作为第一块基准，它验证了「这条路走得通」；但要证明普适性，还需要更多场景、更多液体类型、更宽松的采集条件（比如更少的相机、手摸不严的时刻）。

这些不是缺陷，而是「万事开头难」的那个「开头」本身。任何新方向的第一套基准都会是这样。

总结：转瞬即逝的物理，第一次被机器收进了数字世界

我们回头看一眼这条线：

拍得到 → 重建得出 → 摸得到、改得了、用得上。 摄影术让人能「留住瞬间」，3D 重建让人能把瞬间变成「可以到处看的立体」，而 SplashSplat 把「连瞬间都算不上的、还在碎裂的水花」也纳入了这个流程。

它的一小步，落在很多地方可能是一大步：

为了做一部电影，特效团队要花大价钱模拟水滴砸落——现在，直接在片场把它真的拍下来重建，也许更省、更真。

做 VR/AR 的那些人，最想看到的世界里一定包括「捏起水杯泼出去」——有了可重建的 4D 液体，数字世界的「物理感」会更近一步。

自动驾驶在下雨天，要理解路面上的水迹和溅起的水花——能重建真实液体的传感器模型，是它训练数据里珍贵的一课。

还有一层大家可能没意识到的价值：数据本身。当「真实水花的多视角数据」第一次被公开，所有研究液体重建、液体仿真、甚至靠液体做训练数据的人，都有了一张可以开始的试卷。基准的诞生，常常比单个漂亮方法更推动一个方向。

所以，如果只留一句话给你：

在数字世界里，把水花这样一秒即逝的物理收下来、存进去、还能翻来覆去地看，是人类朝着「完整复制现实」走的一小步——而这一步，今天第一次真的走通了。

参考文献

Peiyu Liu, Dingxi Zhang, Federico Tombari, Marc Pollefeys, Christina Tsalicoglou, Daniel Barath. SplashSplat: Reconstructing Splashing Liquids from Real-World Multi-View Videos. arXiv:2609.20818 (2026-09-17).
Gaussian Splashing: Unified Particles for Versatile Motion Synthesis and Rendering. CVPR 2025. （3DGS + 位置动力学流体背景）
PhysGaia: A Physics-Aware Benchmark with Multi-Body Interactions for Dynamic Novel View Synthesis. arXiv:2506.02794.
3D Dynamic Fluid Assets from Single-View Videos with Generative Gaussian Splatting. arXiv:2503.00868.
Zeren Jiang et al. Syn4D: A Multiview Synthetic 4D Dataset. ECCV 2026. arXiv:2605.05207.