PointQ-Bench：面向诊断性和可解释点云质量评估的基准
计算机视觉与模式识别
2026-05-28 v1
摘要
点云质量在3D获取、重建、渲染和感知中发挥关键作用，但现有点云质量评估（PCQA）研究主要聚焦于标量得分预测。 在实际检查场景中，质量评估通常涉及识别缺陷、确定主导问题类型、评估下游可用性，以及提供依据支持的描述，但这些内容在当前基准中未被显式评估。我们引入PointQ-Bench，一个旨在将PCQA从标量评分扩展到综合质量理解的基准。PointQ-Bench由3,083个点云组成，涵盖真实扫描、模拟失真和AI生成内容，覆盖八大问题类型。每个样本都标注了平均意见得分（MOS）、质量等级、问题标签、专家依据支持的描述，以及12,332个问答对。该基准支持三项感知导向任务：异常检测、缺陷诊断和可用性评分，以及一项认知导向的开放式质量报告任务。为评估自由形式的质量描述，我们进一步提出了SSFRQ-5D，一个经过人类-人工协作分析验证的五维评估协议。对14个视觉-语言模型和传统PCQA基线进行大量实验，揭示了持续的感知-诊断差距：虽然当前模型在粗略缺陷感知方面展现出新兴能力，但在就地诊断和质量校准方面仍面临挑战。强大的2D MLLM通常优于现有的3D视觉-语言模型，额外视图或点级输入的益处在任务、数据源和模型之间呈非均匀分布，特别是在边界模糊条件下。总体而言，PointQ-Bench为推动可靠且可解释的点云质量理解提供了诊断性测试平台。
引用
@article{arxiv.2605.28241,
title = {PointQ-Bench: Benchmarking Diagnostic and Interpretable Point Cloud Quality Assessment},
author = {Duanchu Wang and Cheng Li and Junjie Yang and Jing Huang and Zihang Cheng and Zhi Gao and ZhuBohong and Di Wang},
journal= {arXiv preprint arXiv:2605.28241},
year = {2026}
}