MPED：基于多尺度势能差异的点云失真量化方法
计算机视觉与模式识别
2022-10-12 v4 图像与视频处理
摘要
本文提出一种新的点云失真量化方法——多尺度势能差异（MPED）。当前，针对多种点云感知任务缺乏有效的失真量化手段。具体而言，对于稠密点云，失真量化方法用于预测人类主观评分并优化感知任务参数（如压缩与增强）的选择；对于稀疏点云，失真量化方法作为损失函数引导深度神经网络在无监督学习任务（如点云重建、补全与上采样）中的训练。因此，有效的失真量化应具备可微性、失真可辨别性以及低计算复杂度。然而，现有失真量化无法同时满足这三项条件。为弥补不足，受经典物理学启发，我们提出一种新的点云特征描述方法——点势能（PPE）。我们将点云视为具有势能的系统，失真会改变其总势能。通过在多种邻域尺度下评估，所提 MPED 实现了全局与局部的权衡，以多尺度方式捕捉失真。我们进一步从理论证明经典 Chamfer 距离是 MPED 的特例。大量实验表明，所提 MPED 在人类与机器感知任务上均优于现有方法。代码见 https://github.com/Qi-Yangsjtu/MPED。
引用
@article{arxiv.2103.02850,
title = {MPED: Quantifying Point Cloud Distortion based on Multiscale Potential Energy Discrepancy},
author = {Qi Yang and Yujie Zhang and Siheng Chen and Yiling Xu and Jun Sun and Zhan Ma},
journal= {arXiv preprint arXiv:2103.02850},
year = {2022}
}