基于列表级排序学习的无参考几何质量评估
计算机视觉与模式识别
2025-02-18 v1
摘要
对无色点云的几何质量评估（GQA）对于评估新兴基于点云的解决方案（如水印、压缩和三维（3D）重建）的性能至关重要。不幸的是，现有的客观 GQA 方法是传统的全参考指标，而最先进的基于学习的点云质量评估（PCQA）方法则针对颜色和几何失真进行设计， neither 适用于无参考 GQA 任务。此外，缺乏带主观评分的大规模 GQA 数据集，这些评分始终不够精确、有偏差且不一致，也阻碍了基于学习的 GQA 度量的开发。鉴于这些局限性，本文提出一种基于列表级排序学习的无参考几何-only 质量评估方法，称为 LRL-GQA，其包括几何质量评估网络（GQANet）和列表级排序学习网络（LRLNet）。所提出的 LRL-GQA 将无参考 GQA 问题形式化为列表级排序问题，旨在直接优化整个质量排序。具体地，首先构建了一个包含多种几何-only 失真的大型数据集，称为 LRL 数据集，其中每个样本均无标签，但附带质量排序信息。随后，设计 GQANet 以捕获点云中多尺度局部几何特征，以预测每个点云的质量指数。然后，LRLNet 利用 LRL 数据集和似然损失函数训练 GQANet，并对输入的退化点云列表按照失真程度进行排序。此外，可进一步微调预训练的 GQANet 以获得绝对质量分数。实验结果表明，所提出的无参考 LRL-GQA 方法在质量评估方面优于现有的全参考 GQA 指标。
引用
@article{arxiv.2502.11726,
title = {No-reference geometry quality assessment for colorless point clouds via list-wise rank learning},
author = {Zheng Li and Bingxu Xie and Chao Chu and Weiqing Li and Zhiyong Su},
journal= {arXiv preprint arXiv:2502.11726},
year = {2025}
}