MUGSQA：一种新型多不确定性基于高斯溶射质量评估方法、数据集与基准
计算机视觉与模式识别
2026-03-10 v3
摘要
高斯溶射（Gaussian Splatting，GS）最近涌现作为3D对象重建的有前景的技术，能够以显著优异的重建速度提供高质量的渲染结果。随着各类变体不断涌现，评估基于不同GS方法重建的3D对象感知质量仍是一个开放挑战。为此，我们首先提出一种统一的多距离主观质量评估方法，旨在贴近人类在实际应用中对GS方法重建对象的观察行为，从而更好地收集感知体验。基于此，我们构建了一个新颖的GS质量评估数据集，名为MUGSQA，该数据集在考虑输入数据的多种不确定性条件时构建。这些不确定性包括输入视角的数量和分辨率、视角距离以及初始点云的精度。此外，我们构建了两个基准：一个用于评估各种GS-based重建方法在多种不确定性下的鲁棒性，另一个用于评估现有质量评估指标的性能。我们的数据集和代码已公开于https://github.com/Solivition/MUGSQA。
引用
@article{arxiv.2511.06830,
title = {MUGSQA: Novel Multi-Uncertainty-Based Gaussian Splatting Quality Assessment Method, Dataset, and Benchmarks},
author = {Tianang Chen and Jian Jin and Shilv Cai and Zhuangzi Li and Weisi Lin},
journal= {arXiv preprint arXiv:2511.06830},
year = {2026}
}
备注
ICASSP 2026