基于MLLM的几何-纹理解耦点云质量评估：GT-PCQA
计算机视觉与模式识别
2026-03-17 v1
摘要
随着多模态大语言模型（MLLM）的快速发展，基于MLLM的图像质量评估（IQA）方法在泛化性方面展现出前景希望。然而，直接将这些基于MLLM的IQA方法扩展到点云质量评估（PCQA）仍富有挑战性。一方面，现有的PCQA数据集规模有限，这会阻碍MLLM的稳定和有效指令调优。另一方面，由于大规模图像-文本预训练，MLLM倾向于依赖纹理主导的推理，对不足够敏感于几何结构退化，这些退化对PCQA至关重要。为解决这些问题，我们提出一种新颖的基于MLLM的无参考PCQA框架，称为GT-PCQA，其基于两个关键策略。首先，为了在稀缺PCQA监督下实现稳定和有效的指令调优，提出了2D-3D联合训练策略。该策略将PCQA形式化为相对质量比较问题，以统一大规模IQA数据集与有限PCQA数据集。它采用参数高效低秩适应（LoRA）方案以支持指令调优。其次，提出几何-纹理解耦策略，该策略集成双提示机制与交替优化方案，以缓解预训练MLLM固有的纹理主导偏差，同时增强对几何结构退化的敏感性。大量实验表明，GT-PCQA实现了竞争性能并显示出强大的泛化能力。
引用
@article{arxiv.2603.14951,
title = {GT-PCQA: Geometry-Texture Decoupled Point Cloud Quality Assessment with MLLM},
author = {Guohua Zhang and Jian Jin and Meiqin Liu and Chao Yao and Weisi Lin and Yao Zhao},
journal= {arXiv preprint arXiv:2603.14951},
year = {2026}
}