一次训练全部微调：基于域相关退化描述的无参考点云质量评估
图像与视频处理
2025-01-28 v2
摘要
点云的视觉质量在沉浸式媒体的发展与传播中起着关键作用。因此，研究点云质量评估（PCQA）有助于推动包括虚拟现实与增强现实应用在内的沉浸式媒体应用。考虑到许多情况下参考点云不可用，无参考（NR）指标已成为研究热点。现有 NR 方法存在训练困难的问题。为弥补此不足，我们提出一种新颖的 NR-PCQA 方法：基于域相关退化描述的点云质量评估（D-PCQA）。首先，我们通过使用核岭回归模型推导各模块的功能来展示模型的可解释性。具体而言，质量评估可表征为从分散的感知域（反映主观感知）到有序的质量域（反映平均意见分）的跃迁。其次，为减小显著的域差异，我们基于人类视觉系统（HVS）的洞察，通过考虑位于感知域中样本间的域相关性并学习结构化潜空间，建立了一个中间域——描述域。从所学潜空间导出的锚定特征被生成为跨域辅助信息以促进域变换。此外，新建立的描述域将 NR-PCQA 问题分解为两个相关阶段：包括给出点云退化描述的分类阶段，以及确定描述置信度的回归阶段，为预测的质量分数提供语义解释。实验结果表明，D-PCQA 在多个公开可用数据集上表现出鲁棒的性能与杰出的泛化能力。
引用
@article{arxiv.2307.01567,
title = {Once-Training-All-Fine: No-Reference Point Cloud Quality Assessment via Domain-relevance Degradation Description},
author = {Yipeng Liu and Qi Yang and Yujie Zhang and Yiling Xu and Le Yang and Xiaozhong Xu and Shan Liu},
journal= {arXiv preprint arXiv:2307.01567},
year = {2025}
}