QAL：用于 3D 重建中召回率与精确率平衡的损失函数
计算机视觉与模式识别
2025-11-25 v1 机器人学
摘要
体积学习支撑着 3D 视觉任务中的许多工作，如完成、重建和网格生成，但训练目标仍依赖于 Chamfer Distance（CD）或 Earth Mover's Distance（EMD），二者未能平衡召回率和精确率。我们提出了质量感知损失（QAL），这是一种可被 CD/EMD 替代的损失函数，将覆盖率加权的最近邻项与未覆盖真实值的吸引项组合，显式地将召回率和精确率解耦为可调节组件。跨越 diverse pipeline，QAL 实现了一致的覆盖率提升，平均超过 CD 提升 4.3 分，超过最佳替代方案提升 2.8 分。虽然这些提升在百分比上相对温和，但可靠地恢复薄结构和被低估的区域，这些区域 CD/EMD 会忽略。广泛的消融实验确认了在不同超参数和输出分辨率下的稳定性能，而在 PCN 和 ShapeNet 上进行完整再训练显示了跨数据集和网络结构的泛化。此外，QAL 在 GraspNet 评估下的完成品抓取得分更高，表明改进的覆盖率直接转化为更可靠的机器人操作。QAL 因此为稳健的 3D 视觉和安全关键机器人管道提供了原则、可解释且实用的目标。
引用
@article{arxiv.2511.17824,
title = {QAL: A Loss for Recall Precision Balance in 3D Reconstruction},
author = {Pranay Meshram and Yash Turkar and Kartikeya Singh and Praveen Raj Masilamani and Charuvahan Adhivarahan and Karthik Dantu},
journal= {arXiv preprint arXiv:2511.17824},
year = {2025}
}
备注
Accepted to WACV 2026. Camera-ready version to appear