GPA-Net:无参考点云质量评估与多任务图形卷积网络

科学领域:

• 3D 计算机视觉 3D 计算机视觉
• 多媒体信号处理处理.
• 机器学习 机器学习

背景情况:

• 点云越来越受欢迎的3D视觉数据,由于其不规则的结构,对质量评估提出了挑战.
• 目前的无参考点云质量评估 (PCQA) 度量通常需要预处理,从而引入扭曲并未捕捉到基本特征.
• 现有的深度学习方法与点云的独特特征作斗争,包括各种扭曲模式和转换不变性的需求.

研究的目的:

• 提出一种新的无参考点云质量评估 (PCQA) 度量,GPA-Net,克服现有方法的局限性.
• 开发一个不变于转移,缩放和旋转转换的PCQA指标.
• 在没有参考点云的情况下,提供一种可靠的质量评估方法.

主要方法:

• 引入了一个新的图形卷积PCQA网络 (GPA-Net),使用一个新的图形卷积内核 (GPAConv) 来捕获结构和纹理扰动.
• 实施了一种多任务学习框架,用于质量回归,扭曲类型和程度预测.
• 开发了一个坐标规范化模块,以确保不变性转移,缩放和旋转转换.

主要成果:

• 与独立数据库上的最先进的无引用PCQA指标相比,GPA-Net表现优越.
• 在某些场景中,GPA-Net甚至超过了一些完整的参考质量评估指标.
• 拟议的GPAConv有效地从不规则的点云数据中提取与扭曲相关的特征.

结论:

• 在没有参考的PCQA中,GPA-Net提供了显著的进步,为3D点云提供了准确和可靠的质量评估.
• 该方法的不变性特性和有效的特征提取解决了当前PCQA研究中的关键挑战.
• 在没有参考点云的地方,GPA-Net显示了实际应用的潜力.