Contrastive Pre-Training with Multi-View Fusion for No-Reference Point Cloud Quality Assessment

无参考点云质量评估（NR-PCQA）旨在自动评估没有可用参考的失真点云的感知质量，由于利用深度神经网络，这一领域已经取得了巨大进步。然而，基于学习的NR-PCQA方法在标记数据稀缺和泛化性能方面通常表现不佳。为了解决这个问题，我们提出了一个专门针对PCQA的新型对比度预训练框架（CoPA），它使预训练模型能够从未标记的数据中学习具有质量意识的表示。为了在表示空间中获得锚点，我们将具有不同失真的点云投影成图像，并随机混合它们的局部补丁，形成具有多个失真的混合图像。利用生成的锚点，我们通过质量感知对比损失来约束预训练过程，遵循感知质量与内容和失真密切相关的哲学。此外，在模型微调阶段，我们提出了一个语义引导的多视角融合模块，以有效地整合来自多个角度的投影图像的特征。广泛的实验表明，我们的方法在流行的基准测试中优于最先进的PCQA方法。进一步的研究表明，CoPA也可以使现有的基于学习的PCQA模型受益。

该论文旨在解决无参考点云质量评估问题。当前学习方法在标记数据稀缺和泛化方面表现不佳。

该论文提出了一种针对点云质量评估的对比度预训练框架（CoPA），通过从无标签数据中学习质量感知表示来解决问题。

该论文通过将点云投影为图像并随机混合它们的局部补丁来生成锚点，并通过质量感知对比度损失来约束预训练过程。此外，该论文还提出了一种语义引导的多视角融合模块，用于有效地集成来自多个视角的投影图像的特征。实验结果表明，该方法在流行的基准测试上优于现有的PCQA方法。

最近的相关研究包括：《Point Cloud Quality Assessment via Adaptive Sampling and Reconstruction》、《Learning to Evaluate the Quality of Point Cloud Completion》等。