Full reference point cloud quality assessment using support vector regression

点云是在不同的三维应用中表示真实三维物体的一种通用格式。由于点云数据量很大，因此开发高效的点云压缩方法至关重要。然而，过度压缩会导致各种失真，从而降低最终用户感知的点云质量。因此，建立可靠的点云质量评估（PCQA）方法是必要的，作为开发高效压缩方法的基准。本文提出了一种准确的全参考点云质量评估（FR-PCQA）方法，称为使用支持向量回归的全参考质量评估（FRSVR），适用于各种类型的退化，如压缩失真、高斯噪声和下采样。所提出的方法通过集成五个基于全参考的度量，覆盖各种类型的错误（例如，考虑几何失真、颜色失真和点数）使用支持向量回归（SVR），展示了准确的PCQA。此外，所提出的方法在准确性和计算速度之间实现了卓越的平衡，因为它仅包括这五个简单度量和SVR的计算，可以进行快速预测。三个开放数据集的实验结果表明，所提出的方法比传统的FR-PCQA方法更准确。此外，所提出的方法比利用曲率和多尺度特征等复杂特征的最先进方法更快。因此，所提出的方法在PCQA的准确性和处理速度方面提供了出色的性能。我们的方法可从https://github.com/STAC-USC/FRSVR-PCQA获得。

本文旨在提出一种准确的全参考点云质量评估（FR-PCQA）方法，以作为开发高效压缩方法的基准。

本文提出了一种基于支持向量回归（SVR）的全参考质量评估方法，将五种基于全参考的度量指标（考虑几何失真、颜色失真和点数等错误类型）集成到一起，从而实现准确的PCQA。

本文提出的方法在计算速度和准确性之间取得了卓越的平衡，仅包括这五种简单度量和SVR的计算，可以进行快速预测。实验结果表明，与传统的FR-PCQA方法相比，本文提出的方法更准确，同时比利用复杂特征的最新方法更快。此外，本文提出的方法提供了开源代码。

最近的相关研究包括：1.点云质量评估的全参考方法；2.基于深度学习的点云质量评估方法；3.点云压缩的相关方法等。