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

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Uncertainty-aware No-Reference Point Cloud Quality Assessment
عنوان مقاله به فارسی مقاله عدم اطمینان-آگاه بدون مرجع ارزیابی کیفیت ابر
نویسندگان Songlin Fan, Zixuan Guo, Wei Gao, Ge Li
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 9
دسته بندی موضوعات Computer Vision and Pattern Recognition,Image and Video Processing,چشم انداز رایانه و تشخیص الگوی , پردازش تصویر و فیلم ,
توضیحات Submitted 16 January, 2024; originally announced January 2024.
توضیحات به فارسی 16 ژانویه 2024 ارسال شد.در ابتدا ژانویه 2024 اعلام شد.

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.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.