通过域自适应的无参考点云质量评估
计算机视觉与模式识别
2022-03-14 v2 图像与视频处理
摘要
我们提出一种新颖的无参考质量评估指标——图像迁移点云质量评估（IT-PCQA），用于 3D 点云。在质量评估方面，深度神经网络（DNN）在无参考指标设计上已展现出引人注目的性能。然而，无参考 PCQA 最具挑战性的问题是我们缺乏驱动鲁棒网络的大规模主观数据库。我们的动机在于：无论媒体类型如何，人类视觉系统（HVS）都是质量评估的决策主体。借助自然图像的丰富主观分数，我们可通过 DNN 探究人类感知的评判准则，并将预测能力迁移至 3D 点云。具体而言，我们将自然图像视为源域、点云视为目标域，并通过无监督对抗域自适应推断点云质量。为提取有效潜特征并最小化域差异，我们提出了一种分层特征编码器与条件判别网络。考虑到最终目的是回归客观分数，我们在条件判别网络中引入一种新颖的条件交叉熵损失，以惩罚阻碍质量回归网络收敛的负样本。实验结果表明，所提方法能取得高于传统无参考指标的性能，甚至可与全参考指标相媲美。该方法也暗示了无需昂贵繁琐的主观评估即可评估特定媒体内容质量的可行性。代码见 https://github.com/Qi-Yangsjtu/IT-PCQA。
引用
@article{arxiv.2112.02851,
title = {No-Reference Point Cloud Quality Assessment via Domain Adaptation},
author = {Qi Yang and Yipeng Liu and Siheng Chen and Yiling Xu and Jun Sun},
journal= {arXiv preprint arXiv:2112.02851},
year = {2022}
}