一个基准数据集,用于对神经辐射场 (NeRF) 视图合成的客观质量评估

科学领域:

• 计算机视觉 计算机视觉
• 计算机图形 计算机图形
• 人与计算机的交互

背景情况:

• 神经辐射场 (NeRF) 是具有变革性的技术,在自动驾驶,教育和虚拟现实 (VR) 领域有着不断扩大的应用.
• 随着NeRF技术的成熟,准确评估NeRF产生的内容的质量变得越来越重要.
• 现有的NeRF质量数据集有限,通常依赖于处理的视频序列,这些视频序列不能完全代表现实世界的场景,摄像头轨迹不均.

研究的目的:

• 提出并引入一套专门设计用于评估神经辐射场 (NeRF) 主观质量的新型数据集.
• 通过结合更好地反映现实世界使用的刺激来解决当前NeRF质量评估数据集的局限性.
• 为开发NeRF客观和主观质量评估模型提供一个有价值的资源.

主要方法:

• 通过在最先进的 (SOTA) NeRF 模型中系统变化质量参数来生成NeRF 质量数据集,以创建多种质量级别.
• 进行了一项主观实验,人类参与者为不同质量的NeRF染提供了意见分数.
• 根据国际电信联盟 (ITU) 的指导方针处理收集的主观数据,以获得平均意见得分 (MOS).

主要成果:

• 该研究成功创建了一个用于NeRF质量评估的新数据集.
• 人类意见分数 (MOS) 获得了控制质量变化的NeRF内容.
• 数据集和实验发现为NeRF模型性能和主观质量感知提供了洞察力.

结论:

• 开发的数据集是推进NeRF质量评估方法的重要资源.
• 这些发现有助于更好地了解用户如何感知NeRF产生的内容质量.
• 该数据集将促进开发更强大,更准确的NeRF质量评估模型,这对于现实世界的部署至关重要.