低复杂度基于块的无参考点云质量评估方法利用加权结构和纹理特征
计算机视觉与模式识别
2025-03-20 v1 多媒体
图像与视频处理
摘要
在点云的压缩、传输和渲染过程中，会引入各种伪影，影响终端用户感知到的质量。然而，评估这些失真对整体质量的影响是一项具有挑战性的任务。本研究提出了 PST-PCQA，一种基于低复杂度学习框架的无参考点云质量评估方法。它通过分析单个块来评估点云质量，整合局部和全局特征以预测平均意见得分。简而言之，该过程包括从块中提取特征、进行组合，并利用相关性权重预测整体质量。该方法使我们能够在不依赖参考点云的情况下评估点云质量，在参考数据不可用的场景中特别有用。在三个最先进的数据集上的实验测试表明 PST-PCQA 具有良好的预测能力，通过分析不同的特征池化策略及其跨数据集泛化能力。消融研究证实了逐块评估质量的优势。此外，PST-PCQA 的轻量级结构，具有少量可学习参数，使其非常适合实时应用和计算能力有限的设备。为了可复现性，我们在 https://github.com/michaelneri/PST-PCQA 提供了代码、模型和预训练权重。
引用
@article{arxiv.2503.15001,
title = {Low-Complexity Patch-based No-Reference Point Cloud Quality Metric exploiting Weighted Structure and Texture Features},
author = {Michael Neri and Federica Battisti},
journal= {arXiv preprint arXiv:2503.15001},
year = {2025}
}
备注
Accepted for publication in IEEE Transactions on Broadcasting. Code at https://github.com/michaelneri/PST-PCQA