基于旋转Mamba融合的无参考点云质量评估模型3DRMF研究

针对点云在采集传输中产生的几何/色彩失真问题，研究人员提出无参考点云质量评估模型3DRMF。通过Group Channel Attention模块聚合几何与色彩特征，结合Rotational Mamba Fusion实现全局特征交互，实验表明其性能超越现有NR-PCQA方法，为VR/AR和自动驾驶等领域的点云优化提供新工具。

　　

随着虚拟现实(VR)、增强现实(AR)等三维技术的快速发展，点云作为三维信息的重要载体，在自动驾驶、数字孪生等领域展现出巨大潜力。然而，点云在采集、压缩和传输过程中不可避免地会产生几何形变和色彩失真，这些质量问题不仅影响视觉体验，更会干扰自动驾驶等关键应用的决策准确性。传统基于投影的二维评估方法难以捕捉点云的三维特性，而无参考质量评估(NR-PCQA)又面临几何与色彩特征融合不足、全局局部特征交互低效等挑战。

为解决这些问题，重庆师范大学等机构的研究人员提出了创新性的3DRMF模型。该研究首次将Mamba架构引入点云质量评估领域，通过旋转融合机制实现高效的特征交互。实验证明，该模型在多个基准数据集上超越现有方法，为点云处理技术的工业化应用提供了可靠的质量评估工具。相关成果发表在《Displays》期刊。

研究采用三大关键技术：1) 基于3DTA的预处理方法将点云切片为72份；2) 使用PointNet++分别提取几何与色彩特征；3) 创新设计Group Channel Attention(GCA)模块实现跨模态特征聚合，以及Rotational Mamba Fusion(RMF)模块完成全局特征交互。

【特征嵌入阶段】
通过GCA模块建立坐标与色彩特征的语义关联，采用分组通道注意力机制增强关键特征。MLFI模块实现跨层级特征互补，将低层细节信息注入高层语义特征，显著提升模型对细微失真的敏感度。

【特征融合阶段】
RMF模块通过旋转扫描策略建模点云序列方向相关性，在通道维度动态加权区域特征差异。这种设计既保留了Mamba架构的序列建模优势，又克服了传统注意力机制对长序列局部关系捕捉不足的缺陷。

【实验验证】
在SJTU-PCQA等标准数据集上，3DRMF的SROCC指标达到0.912，较次优方法提升6.2%。消融实验证实GCA和RMF模块分别带来3.8%和4.5%的性能增益。可视化分析显示模型能准确定位压缩伪影和色彩失真区域。

该研究开创性地将状态空间模型引入三维质量评估领域，提出的旋转融合机制为多模态特征交互提供了新范式。实际应用中，3DRMF模型仅需单次前向计算即可完成质量评分，在8GB显存设备上处理百万级点云仅需0.3秒，满足实时性需求。未来可进一步探索其在点云压缩编码优化、三维重建质量控制等场景的应用潜力。研究团队已开源代码，推动领域技术发展。