基于感知特征与多视角投影的无参考点云质量评估新方法PB-PCQA

针对无参考点云质量评估(NR-PCQA)中传统2D指标忽略人类视觉感知特征的问题，研究人员提出基于多视角投影的PB-PCQA模型。该模型通过创新性投影转换生成2D特征图，融合感知特征与失真特征，结合统计参数和支持向量回归(SVR)，在SJTU-PCQA和WPC数据集上实现优于现有方法的性能表现，为3D扫描、VR/AR等领域的质量评估提供新范式。

　　

随着3D传感技术的快速发展，点云作为三维物体的主要表征形式，在虚拟现实(VR)、自动驾驶、医疗成像等领域广泛应用。然而，高精度点云数据面临存储传输压力，压缩简化过程会引入失真，直接影响用户体验质量(QoE)。当前点云质量评估(PCQA)领域存在关键矛盾：传统全参考(FR)和简化参考(RR)方法依赖原始数据，而实际场景中原始点云难以获取；现有无参考(NR)方法多直接套用2D图像评估指标，忽视人类视觉系统(HVS)对3D几何特征的感知特性。

针对这一挑战，获得国家自然科学基金资助的研究团队在《Displays》发表创新成果，提出基于投影的无参考点云质量评估模型PB-PCQA。该研究通过多视角投影模拟人眼观察行为，首次实现将3D点云特征与2D视觉感知特征的协同利用，在两大基准数据集上验证其超越现有方法的评估性能。

关键技术包括：1) 多视角球面投影生成2D特征图；2) 从投影图像提取结构相似性(SSIM)、梯度幅值(GSM)等感知特征与失真特征；3) 计算10种统计参数描述特征分布；4) 采用支持向量回归(SVR)建立质量预测模型。实验使用SJTU-PCQA数据集294个样本训练、84个测试，WPC数据集20个点云多级失真样本验证。

点云投影模块
创新设计球面投影策略，将3D点云转换为多视角2D深度图，模拟人类环视观察行为。每个投影图像保留原始几何拓扑关系，为后续特征提取奠定基础。

特征提取模块
联合利用三类特征：1) 基于亮度对比的感知特征；2) 反映结构失真的SSIM特征；3) 表征几何突变的梯度特征。这种组合首次实现对视知觉特性与几何失真的双重捕捉。

统计参数模块
对每个特征通道计算包括均值、偏度、熵等10种统计量，通过量化特征分布规律建立与主观评分的映射关系。实验表明偏度参数对压缩失真最敏感，熵值对噪声类失真最具区分度。

回归预测模块
采用径向基核函数的SVR模型整合所有特征参数，在SJTU-PCQA数据集上达到0.92的SROCC（秩相关系数），显著高于现有NR方法平均0.75的水平。消融实验证实多视角投影使性能提升23%，而统计参数贡献19%的增益。

结论与意义
PB-PCQA模型通过投影转换架起3D点云与2D视觉感知的桥梁，其创新性体现在：1) 首次实现无参考条件下对人类视觉特性的数学建模；2) 多视角策略解决单投影信息丢失问题；3) 统计参数增强模型泛化能力。该研究为自动驾驶中的LiDAR数据评估、VR场景渲染优化等应用提供可靠质量标尺，同时为跨模态质量评估理论研究开辟新方向。后续工作将探索深度学习框架下的特征自动提取机制，进一步提升对新兴点云压缩标准（如V-PCC）的适配能力。