基于不确定性的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
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
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
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
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
本研究旨在通过文本监督将大型多模式模型 (LMMs) 引入点云质量评估 (PCQA),实现 PCQA 知识对 LMMs 的传授,从而提高模型理解和评估的准确性,并希望这些贡献能够激发对 LMMs 与 PCQA 融合的后续研究,促进 3D 视觉质量分析及其他领域的进展。
Apr, 2024
使用质量可伸缩性方案 SQH 在学习为基础的静态点云几何编码中,逐渐解码带有递增质量和保真度的高质量版本,与其他最新的 PC 编解码器相比,SQH 在保持显著压缩效果的同时,几乎没有或者只有极小的压缩性能损失。
Apr, 2024