通过使用概率建模，本文提出了一种新的点云质量评估方法，使用条件变分自编码器对主观测试的评判随机性进行建模，并生成多个中间质量评分，最终将这些评分整合为准确的质量预测，实现对点云质量的准确评估。实验证明，该方法在不同数据集上表现出色，超越了先前领先的方法。

Jan, 2024

我们提出了基于投影的点云质量评估的简单基准线方法，通过使用点云的多投影来提取质量感知特征，将完整参考质量表示和非参考质量表示回归到视觉质量分数，以应对点云在存储和带宽限制下失真的需求。我们在 ICIP 2023 PCVQA Challenge 中取得了四个赛道的冠军。

Oct, 2023

基于深度学习的质量评估在感知多媒体质量评估方面取得了显著的提升，然而对于 3D 点云等 3D 视觉数据仍处于初级阶段。因此，我们提出了一种给定 3D 点云的无参考质量度量方法，通过集成频率幅度作为空间降解模式的指标来评估由压缩引起的质量影响，并使用轻量级混合深度模型进行质量评分映射。实验证明我们的方法在 PointXR 上优于最先进的非参考点云质量评估方法甚至一些全参考点云质量评估方法。

Dec, 2023

本研究介绍了一种基于谱图小波的全参考点云质量评估方法，利用新颖的基于谱图小波的度量标准对参考和失真点云之间的坐标和颜色信号进行比较，并通过支持向量回归将多个传统全参考度量标准和基于谱图小波的度量标准整合，从而实现准确的点云质量评估。实验结果表明，所提出的点云质量评估标准与主观质量评分更准确地相关联，相比传统点云质量评估标准效果更好。

Jun, 2024

该研究提出了一种基于支持向量回归的准确的全参考点云质量评估方法，通过整合五种基于全参考的度量标准，并使用支持向量回归进行快速预测，实现了对压缩失真、高斯噪声和降采样等多种降级类型的准确评估，其性能优于传统的全参考点云质量评估方法，并且比使用复杂特征（如曲率和多尺度特征）的最新方法更快速和精确。

Jun, 2024

本文提出了一个计算简化和描述符丰富的点云质量评估（PCQA）指标，名为 PointPCA+，它是 PointPCA 的扩展。PointPCA 提出了一组基于 PCA 分解的感知相关描述符，这些描述符应用于点云的几何和纹理数据以进行完全参考的 PCQA。PointPCA + 仅在几何数据上使用 PCA，同时丰富了现有的几何和纹理描述符，计算效率更高。与 PointPCA 类似，通过学习融合几何和纹理描述符的个别预测来获取总体质量分数，捕捉局部形状和外观特性。在特征融合之前，引入了特征选择模块，从提出的超级集中选择最有效的特征。实验结果表明，PointPCA + 对公开可用数据集获得的主观真实分数具有较高的预测性能。代码可在 https://github.com/cwi-dis/pointpca_suite/ 上获得。

Nov, 2023

通过使用一款强大的软件，我们可以设计灵活的三维主观研究方法并构建高质量的数据集，从而准确展示三维刺激的感知质量差异，并通过实验结果证明该软件可以产生合理的三维模型主观质量评分。

Aug, 2023

该论文提出了一种基于局部区域相关性分析的无参考点云质量评估方法，通过将点云划分为补丁并为每个补丁生成纹理和结构特征，将它们融合成补丁特征来预测补丁质量，然后利用局部相关性权重和预测质量得分计算点云的最终质量，实验结果表明该方法优于现有的基准 NR-PCQA 方法。

May, 2023

本研究提出了一种新颖的基于图像引导的室外点云质量评估算法（IGO-PQA），该算法利用点云数据、对应的 RGB 环境图像和车辆目标真值注释生成基于单帧 LiDAR 点云的整体质量得分，并通过变换器实现无参考室外点云质量评估的直接预测。评估结果表明，IGO-PQA 生成算法提供了一致且合理的感知质量指标，而 IGO-PQA 回归算法在 nuScenes 数据集上达到了 0.86 的皮尔逊线性相关系数，并在 Waymo 数据集上达到了 0.97。

Jun, 2024

提出了一种针对点云质量评估的新型对比度预训练框架（CoPA），该框架通过无监督数据学习质量感知表示，并利用生成的锚点通过质量感知对比度损失限制预训练过程，进一步采用语义引导多视角融合模块在模型微调阶段有效地整合多个视角的投影图像特征，实验证明该方法在流行基准上优于现有的点云质量评估方法，并能够提升现有的学习型点云质量评估模型。

Mar, 2024