NeRF-NQA:对由NeRF和神经视图合成方法生成的场景进行无参考质量评估

科学领域:

• 计算机视觉 计算机视觉
• 计算机图形 计算机图形
• 图像处理 图像处理

背景情况:

• 神经视图合成 (NVS) 从稀疏的视图生成高保真场景.
• 现有的质量评估指标 (PSNR,SSIM,LPIPS) 对于NVS合成的密集视图是不够的.
• 缺乏密集的基本真相限制了NVS中的全文参考评估.

研究的目的:

• 为NVS和NeRF变体提出第一个无参考质量评估方法.
• 解决现有指标在评估合成密集视图的感知质量的局限性.
• 开发一种能够评估空间和角度质量方面的方法.

主要方法:

• NeRF-NQA采用了一个共同的质量评估策略.
• 采用视觉智能的方法来实现空间质量和采访一致性.
• 结合了对场景表面点的角度质量的点向方法.

主要成果:

• NeRF-NQA显著优于23种主流的视觉质量评估方法.
• 在评估没有引用的NVS合成场景方面表现出明显的优势.
• 实现对感知质量的有效评估,包括空间和角度属性.

结论:

• NeRF-NQA是NVS和NeRF变体的第一个无参考质量评估.
• 提出的方法克服了密集视图合成传统指标的局限性.
• NeRF-NQA为评估合成场景的感知质量提供了一个强大的解决方案.