مقاله ارزیابی کیفیت ابر بدون نقطه مرجع با آگاهی از عدم قطعیت

چکیده

The evolution of compression and enhancement algorithms necessitates an accurate quality assessment for point clouds. Previous works consistently regard point cloud quality assessment (PCQA) as a MOS regression problem and devise a deterministic mapping, ignoring the stochasticity in generating MOS from subjective tests. Besides, the viewpoint switching of 3D point clouds in subjective tests reinforces the judging stochasticity of different subjects compared with traditional images. This work presents the first probabilistic architecture for no-reference PCQA, motivated by the labeling process of existing datasets. The proposed method can model the quality judging stochasticity of subjects through a tailored conditional variational autoencoder (CVAE) and produces multiple intermediate quality ratings. These intermediate ratings simulate the judgments from different subjects and are then integrated into an accurate quality prediction, mimicking the generation process of a ground truth MOS. Specifically, our method incorporates a Prior Module, a Posterior Module, and a Quality Rating Generator, where the former two modules are introduced to model the judging stochasticity in subjective tests, while the latter is developed to generate diverse quality ratings. Extensive experiments indicate that our approach outperforms previous cutting-edge methods by a large margin and exhibits gratifying cross-dataset robustness.

چکیده به فارسی (ترجمه ماشینی)

تکامل الگوریتم های فشرده سازی و تقویت نیاز به ارزیابی کیفیت دقیق برای ابرهای نقطه دارد.آثار قبلی به طور مداوم ارزیابی کیفیت ابر نقطه (PCQA) را به عنوان یک مشکل رگرسیون MOS در نظر می گیرند و یک نقشه برداری قطعی را ابداع می کنند و از تصادفی در تولید MO از تست های ذهنی غافل می شوند.علاوه بر این ، تغییر دیدگاه ابرهای نقطه سه بعدی در تست های ذهنی باعث افزایش تصادفی داوری موضوعات مختلف در مقایسه با تصاویر سنتی می شود.این کار اولین معماری احتمالی را برای PCQA بدون مرجع ارائه می دهد ، با انگیزه در فرآیند برچسب زدن مجموعه داده های موجود.روش پیشنهادی می تواند از طریق یک اتوآنمان متناسب با شرطی متناسب (CVAE) ، تصادفی داوری با کیفیت را مدل کند و دارای رتبه بندی چند کیفیت متوسط باشد.این رتبه بندی های میانی قضاوت ها را از موضوعات مختلف شبیه سازی می کنند و سپس در یک پیش بینی با کیفیت دقیق ادغام می شوند و از روند تولید یک حقیقت زمینی تقلید می کنند.به طور خاص ، روش ما شامل یک ماژول قبلی ، یک ماژول خلفی و یک ژنراتور رتبه بندی با کیفیت است ، که در آن دو ماژول قبلی برای مدل سازی تصادفی داوری در تست های ذهنی معرفی می شوند ، در حالی که دومی برای ایجاد رتبه بندی کیفیت متنوع تهیه شده است.آزمایش های گسترده نشان می دهد که رویکرد ما از روشهای برش قبلی با حاشیه بزرگی عمل می کند و استحکام بخشنده ای را نشان می دهد.