.png){kind=icon}
返回
Low-Complexity Patch-Based No-Reference Point Cloud Quality Metric Exploiting Weighted Structure and Texture Features
.png){kind=icon}
OA
AI
DOI：10.1109/TBC.2025.3553305.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在点云的压缩、传输和渲染过程中，会引入各种失真，影响最终用户感知的质量。然而，评估这些失真对整体质量的影响是一项具有挑战性的任务。本研究引入了PST-PCQA，一种基于低复杂度、学习型框架的无参考点云质量指标。它通过分析单个补丁来评估点云质量，结合局部和全局特征来预测平均主观得分。总之，该过程涉及从补丁中提取特征、合并这些特征，并使用相关性权重来预测整体质量。这种方法使我们能够在不依赖参考点云的情况下评估点云质量，使其在参考数据不可用的情况下特别有用。在三个最先进的基准数据集上的实验测试表明，PST-PCQA具有良好的预测能力，通过对不同特征池化策略的分析及其在不同数据集上的泛化能力。消融研究证实了逐补丁评估质量的优势。此外，PST-PCQA的轻量级结构，具有少量需要学习的参数，使其非常适合实时应用和计算能力有限的设备。为了便于结果复现，我们已将代码、模型和预训练权重发布在https://github.com/michaelneri/PST-PCQA。
Keyword:
No-reference
point cloud
deep learning
low-complexity
quality assessment
期刊
IF:
4.8
论文数:
2.1K
被引数:
3.0K
机构
引用论文
.png){kind=icon}
分享收藏No-Reference Bitstream-Layer Model for Perceptual Quality Assessment of V-PCC Encoded Point Clouds
PREAI
分享收藏
查看更多内容