点云质量评价：数据集构建与基于学习的无参考指标
图像与视频处理
2022-07-25 v4
摘要
全参考（FR）点云质量评价（PCQA）近年来取得了令人瞩目的进展。然而，在许多情况下，获取参考点云是困难的，因此无参考（NR）指标已成为研究热点。由于缺乏大规模 PCQA 数据集，关于 NR-PCQA 的研究很少。本文中，我们首先构建了一个名为 LS-PCQA 的大规模 PCQA 数据集，其包含 104 个参考点云和超过 22,000 个失真样本。在该数据集中，每个参考点云以 7 个失真等级增强了 31 类损伤（如高斯噪声、对比度失真、局部缺失和压缩损失）。此外，每个失真点云被分配一个伪质量分数作为其平均意见分（MOS）的替代。受分层感知系统的启发并考虑点云的内在属性，我们提出了一种基于稀疏卷积神经网络（CNN）的 NR 指标 ResSCNN，以准确估计点云的主观质量。我们进行了若干实验来评估所提 NR 指标的性能。结果表明，ResSCNN 在所有现有 NR-PCQA 指标中表现出最先进的（SOTA）性能，甚至优于某些 FR 指标。本工作所提供的数据集将在 http://smt.sjtu.edu.cn 公开获取。所提 ResSCNN 的源代码可在 https://github.com/lyp22/ResSCNN 找到。
引用
@article{arxiv.2012.11895,
title = {Point Cloud Quality Assessment: Dataset Construction and Learning-based No-Reference Metric},
author = {Yipeng Liu and Qi Yang and Yiling Xu and Le Yang},
journal= {arXiv preprint arXiv:2012.11895},
year = {2022}
}
备注
Accepted by ACM Transactions on Multimedia Computing Communications and Applications