.png){kind=icon}
返回
Cellular Aggregation Graph Convolutional Network for Point Cloud Quality Assessment
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSVT.2025.3624798.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
点云质量评估（PCQA）是一项具有挑战性的任务，因为点具有固有的无序性。现有的基于点的方法，如稀疏卷积和PointNet，受限于局部空间建模和结构特征提取。尽管3D图卷积网络（GCNs）通过显式几何建模和可变形核在捕捉局部结构特征方面具有优势，但其可扩展性受到存储邻域矩阵的高内存消耗的阻碍，特别是在大规模点云中。在本文中，为了更好地提取层次化结构信息并保持计算内存效率，我们提出了一种新颖的基于点的无参考PCQA方法，即细胞聚合网络（CANet）。该方法采用分治策略，有效且高效地提取大块区域的质量感知特征。具体而言，引入了细胞采样（CS）模块，将大块区域划分为更小的细胞，有效避免了内存爆炸问题。提出了细胞聚合（CA）模块，用于提取细胞内特征并融合细胞间特征。此外，提出了全局聚合（GA）模块，用于提取全局轮廓信息。最后，引入了长期融合（LTF）模块，用于捕捉CA和GA模块特征之间的长期依赖关系。在基准数据集上的实验结果表明，所提出的模型达到了最先进的性能。
Keyword:
Point cloud quality assessment
no-reference
point-based
graph convolutional network
期刊
IF:
11.1
论文数:
869
被引数:
3.1W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容