GPA-Net：基于多任务图卷积网络的无参考点云质量评估
计算机视觉与模式识别
2023-06-02 v3 多媒体
摘要
随着 3D 视觉的快速发展，点云已成为日益流行的 3D 视觉媒体内容。由于其不规则结构，点云给压缩、传输、渲染和质量评估等相关研究带来了新的挑战。在这些最新研究中，点云质量评估（PCQA）因其在指导实际应用中的重要作用而受到广泛关注，尤其在参考点云不可得的许多情况下。然而，当前基于流行深度神经网络的无参考指标存在明显缺点。例如，为适配点云的不规则结构，它们需要体素化与投影等预处理，引入了额外失真，且所应用的网格核网络（如卷积神经网络）未能提取有效的失真相关特征。此外，它们很少考虑各种失真模式以及 PCQA 应表现出平移、缩放和旋转不变性的理念。在本文中，我们提出一种名为图卷积 PCQA 网络（GPA-Net）的新型无参考 PCQA 指标。为提取 PCQA 的有效特征，我们提出一种新的图卷积核，即 GPAConv，其注意力式地捕获结构与纹理的扰动。然后，我们提出由一项主任务（质量回归）和两项辅助任务（失真类型与程度预测）组成的多任务框架。最后，我们提出坐标归一化模块以在平移、缩放和旋转变换下稳定 GPAConv 的结果。在两个独立数据库上的实验结果表明，与最先进的无参考 PCQA 指标相比，GPA-Net 取得了最佳性能，在某些情况下甚至优于某些全参考指标。
引用
@article{arxiv.2210.16478,
title = {GPA-Net:No-Reference Point Cloud Quality Assessment with Multi-task Graph Convolutional Network},
author = {Ziyu Shan and Qi Yang and Rui Ye and Yujie Zhang and Yiling Xu and Xiaozhong Xu and Shan Liu},
journal= {arXiv preprint arXiv:2210.16478},
year = {2023}
}