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

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

我们提出了一种自监督预训练框架，使用了掩蔽自动编码器，来帮助模型在无标签的情况下学习有用的表示，通过将点云投影成图像并使用双分支自动编码器来重构图像中的遮蔽区域，从而分别学习具有内容感知特征和失真感知特征的映射图像，在模型微调阶段，学习到的内容感知特征被用于融合从不同视角提取的点云质量特征，大量实验证明我们的方法在预测准确性和泛化能力方面优于最先进的无参考点云质量评估方法。

Mar, 2024

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

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

本研究提出了一种加权法线估算方法，包括一种新型加权法线回归技术和一项对比度学习预处理过程，在保持特征的同时实现了鲁棒性，处理了噪声和复杂的点云，获得了合成和真实数据集上的最先进性能。

May, 2023

本文介绍了一种新的基于信息内容加权结构相似性的 3D 点云质量评估方法及其数据库，实验结果表明该方法在预测主观质量评分方面表现优异，具有较高的再现性。

Nov, 2021

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