编辑推荐：
为解决 DIBR 合成视图存在局部几何失真影响体验、现有 IQA 方法难以准确评估其质量等问题，研究人员开展了 LGGS - SIQA 方法的研究。结果显示该方法优于现有方法，为评估 DIBR 合成视图质量提供了有效途径。
在如今这个科技飞速发展的时代，沉浸式媒体给人们带来了前所未有的视听体验，自由视点视频（FVV）就是其中的佼佼者。它能让用户自由切换观看视角，仿佛置身于视频场景之中。而深度图像渲染技术（DIBR）作为 FVV 实现的关键，通过生成新的视点，极大地提升了视频制作的效率，还降低了成本。然而，就像再完美的美玉也会有瑕疵一样，DIBR 合成的视图常常会出现局部几何失真的情况。这种失真和自然图像中的失真完全不同，自然图像的失真通常是全局分布的，而 DIBR 合成视图的失真却是局部的。这些局部失真会严重影响用户的观看体验，让原本精彩的沉浸式媒体内容大打折扣。更糟糕的是，现有的图像质量评估（IQA）方法，无论是传统的基于手工提取特征的方法，还是新兴的深度学习方法，都无法准确地评估 DIBR 合成视图的质量。传统方法主观性强，面对复杂的失真情况力不从心；深度学习方法虽然强大，但由于 DIBR 数据库标注数据不足、标注过程繁琐，以及 DIBR 合成视图失真的独特性，导致其效果也不尽人意。所以，开发一种专门针对 DIBR 合成视图的高效评估方法迫在眉睫。
为了解决这些难题，国内研究人员展开了深入研究，提出了一种名为 LGGS - SIQA（Local Geometry and Global Structure - based Synthetic Image Quality Assessment）的方法，并将研究成果发表在《Displays》上。这一研究成果意义非凡，它为准确评估 DIBR 合成视图质量提供了新的方向，有助于推动沉浸式媒体行业的发展。
研究人员在开展研究时，主要运用了以下关键技术方法：一是构建了基于失真分类的辅助任务，将得分学习任务转化为失真分类任务，以此简化得分样本扩展过程；二是设计了全局关键结构提取策略，用于分析失真对全局结构的影响；三是将局部几何特征和全局结构特征进行融合与回归，从而得到最终的质量得分。
在研究结果方面：
- 局部几何感知特征提取模块：研究人员通过将图像块标记为 “有” 或 “无” 几何失真，而不是使用难以获取的得分标签，构建了一个分类任务。在训练过程中，使用学习率为 0.001、动量为 0.9 的随机梯度下降（SGD）优化器，将批量大小设置为 128，最大训练轮数设为 100，保存验证集上性能最佳的模型参数。这样做有效简化了得分样本扩展过程，还能精准定位局部几何失真区域，进一步检测并加权不同类型的 DIBR 合成失真，从而获取局部几何特征。
- 全局结构感知特征提取模块：由于 DIBR 合成失真主要集中在物体边缘，研究人员设计了全局关键结构提取策略，从全局提取关键结构，并对这些区域进行统计分析，进而获得稳健的全局结构特征。
- 综合评估：研究人员将上述两个模块提取的特征进行融合与回归，最终得到 DIBR 合成视图的质量得分。通过在公共基准数据库上的实验，结果表明 LGGS - SIQA 方法在评估 DIBR 合成视图质量方面，优于现有的基于手工提取特征和基于深度学习的 IQA 方法。此外，特征消融实验也验证了 LGGS - SIQA 方法核心组件的有效性。
在研究结论和讨论部分，LGGS - SIQA 方法充分考虑了 DIBR 合成失真的独特性，通过融合局部几何和全局结构分析，成功实现了对 DIBR 合成视图质量的准确评估。该方法不仅在性能上超越了现有方法，而且其基于失真分类的辅助任务和全局关键结构提取策略，为后续相关研究提供了新的思路和方法。这一研究成果有助于提升沉浸式媒体的质量，推动相关技术在医疗诊断、光场显示、3D 重建等领域的进一步应用，具有重要的理论和实践意义。
