面向点云质量评估的质量感知域适应框架 QD-PCQA
计算机视觉与模式识别
2026-03-17 v2
摘要
无参考点云质量评估（NR-PCQA）仍在泛化性方面存在挑战，主要由于标注点云数据集稀缺。由于人类视觉系统（HVS）独立于媒介类型驱动感知质量评估，先前在图像上学习的质量知识可被用于点云。这一洞察激发了采用无监督域适应（UDA）将质量相关的先验知识从标记图像迁移到未标记点云的想法。然而，现有的 UDA-based PCQA 方法往往忽视感知质量的关键特征，如对质量排序的敏感性和质量感知特征对齐，从而限制了其有效性。为了解决这些问题，我们提出一种新颖的质量感知域适应框架，用于 PCQA，称为 QD-PCQA。该框架包括两个主要组件：i) 一种秩加权条件对齐（RCA）策略，该策略在一致的质量水平下对齐特征，并适应性地强调误排序样本以强化感知质量排序 awareness；ii) 质量引导特征增强（QFA）策略，包括质量引导风格混合、多层扩展和双域增强模块，以增强感知特征对齐。广泛的跨域实验表明，QD-PCQA 在 NR-PCQA 任务中显著提高了泛化性。
引用
@article{arxiv.2603.03726,
title = {QD-PCQA: Quality-Aware Domain Adaptation for Point Cloud Quality Assessment},
author = {Guohua Zhang and Jian Jin and Meiqin Liu and Chao Yao and Weisi Lin},
journal= {arXiv preprint arXiv:2603.03726},
year = {2026}
}
备注
Accepted by CVPR 2026