From Structure from Motion and Multi-view Stereo to Gaussian Splatting
Advanced digital documentation of underwater archaeological sites
Underwater photogrammetry is widely recognised as the gold standard for documenting underwater cultural heritage (UCH), providing a non-intrusive method to generate high-resolution geometric documentation for underwater sites. Despite its utility, the medium’s inherent optical challenges – notably, refraction at the air-water interface and spectral attenuation – continue to impede the achievement of survey-grade accuracy and radiometric fidelity. This feature paper examines the evolution from traditional photogrammetry to modern structure-from-motion and multi-view stereo (SfM-MVS) techniques and beyond. Critically, it highlights the transformative potential of machine learning (ML) in mitigating these physical constraints, using underwater archaeological sites from the eastern Mediterranean as case studies. To demonstrate the transformation of methodologies, several test cases are mentioned; how the SfM methodology affected the network setup, coordinates’ calculation and monitoring, the use of ML to restore colour information and to correct water refraction in coastal sites, and finally the potential of underwater 3D Gaussian splatting (3DGS) to bridge remaining challenges.
underwater photogrammetry | Structure from Motion | machine learning | underwater network
Die Unterwasserphotogrammetrie gilt weithin als Goldstandard für die Dokumentation des Kulturerbes unter Wasser und bietet eine nicht-invasive Methode zur Erstellung hochauflösender geometrischer Dokumentationen von Unterwasserstätten. Die medienbedingten optischen Herausforderungen – insbesondere die Brechung an der Luft-Wasser-Grenzfläche und die spektrale Dämpfung – behindern weiterhin das Erreichen einer in der Vermessung üblichen Genauigkeit und radiometrischen Wiedergabetreue. Dieser Fachartikel untersucht die Entwicklung von der traditionellen Photogrammetrie zu modernen Structure-from-Motion- und Multi-View-Stereo-Techniken (SfM-MVS) und darüber hinaus. Er verdeutlicht insbesondere das transformative Potenzial des maschinellen Lernens (ML) zur Minderung dieser physikalischen Einschränkungen und verwendet dabei Unterwasserarchäologiestätten im östlichen Mittelmeerraum als Fallstudien. Um die Weiterentwicklung der Methoden zu veranschaulichen, werden mehrere Testfälle aufgeführt: wie sich die SfM-Methode auf die Netzwerkeinrichtung, die Berechnung und Überwachung von Koordinaten, die Verwendung von ML zur Wiedergabe von Farben und zur Korrektur der Wasserbrechung an Küstenstandorten ausgewirkt hat; und schließlich das Potenzial von Unterwasser-3D-Gaussian-Splatting (3DGS) aufgezeigt, um die verbleibenden Herausforderungen zu überwinden.
Unterwasserphotogrammetrie | Structure from Motion | maschinelles Lernen | Unterwassernetzwerk
