Dec, 2023

激活频率和 ViT 用于 3D 点云质量评估无需参考

PDF
TL;DR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。
发现论文，激发创造
  • 基于投影的全参考和无参考点云质量评估的简单基线

    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

  • 多视角融合对比性预训练用于无参考点云质量评估

    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

  • 基于不确定性的无参考点云质量评估

    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

  • 基于谱图小波的全参考点云质量评估

    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

  • 彩色三维点云感知质量评估

    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

  • 基于加权补丁质量预测的无参考点云质量评估

    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

  • 基于支持向量回归的完整参考点云质量评估

    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

  • 使用简单编辑的频率调制点云渲染

    本文提出了一种适用于新视角合成的有效的点云渲染管道，其中包括自适应频率调制模块，用以提供更丰富的频率支持并改善网络性能，并支持高保真度交互式编辑。实验结果也表明本方法在性能表现方面优于现有最先进技术。

    Mar, 2023

  • 深度点云几何压缩的改进

    本文提出了一系列改进点云压缩的方法，包括使用尺度先验模型进行熵编码、采用更深的变换、不同的 focal loss 权重、最优解码阈值和连续模型训练，并通过实验验证这些方法可以带来较好的 BD-PSNR 提升。

    Jun, 2020

  • 数字人头无参考质量评估方法

    在这篇论文中，我们开发了一种基于 Transformer 的新型无参考（NR）方法，用于以多任务方式处理数字人的感知质量评估（DHQA）。具体而言，我们将数字人的前 2D 投影渲染为输入，并采用视觉 Transformer（ViT）进行特征提取。然后，我们设计了一个多任务模块，共同分类数字人的失真类型和预测感知质量水平。实验结果表明，所提出的方法与主观评级具有良好的相关性，并且优于现有的质量评估方法。

    Oct, 2023