从图像到点云：一种无需标注训练的跨媒体盲质量评估高效解决方案

《IEEE Transactions on Circuits and Systems for Video Technology》：From Images to Point Clouds: An Efficient Solution for Cross-media Blind Quality Assessment without Annotated Training

点云感知质量评估方法DWIT-PCQA通过模拟人眼视觉系统，利用图像先验知识构建神经网络，结合域自适应对齐图像与点云特征分布，提出失真引导特征对齐和质量感知特征解耦技术，有效解决未标注场景下点云质量预测难题，实验验证优于传统方法。

　　

摘要：

我们提出了一种新颖的质量评估方法，该方法能够利用图像中的丰富先验知识，预测新场景中点云的感知质量，而无需额外的注释。该方法被称为“分布加权图像迁移点云质量评估”（Distribution-Weighted Image-Transferred Point Cloud Quality Assessment，简称DWIT-PCQA）。考虑到人类视觉系统（HVS）在质量评估中的核心作用，无论媒体类型如何，我们都可以通过神经网络模拟人类的感知标准，并进一步将图像的质量预测能力迁移至点云。具体而言，可以通过领域适应（Domain Adaptation，简称DA）来实现图像与点云之间的关联，方法是在同一特征空间中对齐两种媒体的特征分布。然而，图像和点云中的失真表现形式各不相同，这使得特征对齐变得困难。为了降低对齐难度并考虑对齐过程中的不同失真分布，我们推导出公式，将传统DA的优化目标分解为两个子优化函数，其中失真起到了过渡作用。通过网络实现，我们提出了基于失真的有偏特征对齐方法，该方法将现有的/估计的失真分布整合到对抗性DA框架中，从而在特征对齐过程中突出常见的失真模式。此外，我们还提出了质量感知特征解耦技术，以减轻有偏失真在对齐过程中对特征到质量映射的破坏作用。实验结果表明，与一般的无注释点云质量评估方法相比，我们提出的方法表现出更可靠的性能。