MS-ISSM：基于多尺度隐式结构相似性的点云目标质量评估
计算机视觉与模式识别
2026-03-30 v2 图像与视频处理
摘要
点的非结构化和不规则性质为准确的点云质量评估（PCQA）带来了显著挑战，尤其是在建立准确感知特征对应关系方面。为此，我们提出了多尺度隐式结构相似性测量（MS-ISSM）。不同于传统点到点匹配，MS-ISSM 利用径向基函数（RBF）连续地表示局部特征，将失真测量转化为隐式函数系数的比较。这一方法有效规避了不规则数据中固有的匹配误差。此外，我们提出了 ResGrouped-MLP 质量评估网络，稳健地将多尺度特征差异映射到感知分数。该网络架构不同于传统的平坦多层感知器（MLP），采用集成残差块和通道注意力机制的分组编码策略。这种层次化设计允许模型在保留 luma、chroma 和几何几何语义的同时，适应性地关注高、中、低尺度上最突出的失真特征。多个基准测试中的实验结果表明，MS-ISSM 在可靠性和泛化性方面均优于最先进的指标。源码已公开：https://github.com/ZhangChen2022/MS-ISSM。
引用
@article{arxiv.2601.01200,
title = {MS-ISSM: Objective Quality Assessment of Point Clouds Using Multi-scale Implicit Structural Similarity},
author = {Zhang Chen and Shuai Wan and Yuezhe Zhang and Siyu Ren and Fuzheng Yang and Junhui Hou},
journal= {arXiv preprint arXiv:2601.01200},
year = {2026}
}