Explicit-NeRF-QA: A Quality Assessment Database for Explicit NeRF Model Compression

近年来，神经辐射场（NeRF）已经展示了在表示和合成三维场景方面的显著优势。显式NeRF模型提高了实际NeRF应用的渲染速度，并且由于存储成本巨大，也吸引了相当多的NeRF压缩研究的关注。为了解决NeRF压缩研究的挑战，在本文中，我们构建了一个名为Explicit-NeRF-QA的新数据集。我们使用22个具有不同几何形状、纹理和材料复杂性的三维物体，训练了四种典型的显式NeRF模型，涵盖了五个参数级别。在模型生成过程中引入了有损压缩，通过对InstantNGP的哈希表大小和Plenoxels的体素网格分辨率等关键参数的选择来实现。通过将NeRF样本渲染为处理后的视频序列（PVS），我们进行了一项大规模的主观实验，收集了来自21个观众的主观评分。全面展示了内容的多样性、平均意见得分（MOS）的准确性以及NeRF失真的特征，建立了所提出数据集的异质性。在新数据集中测试了最先进的客观指标。全参考客观指标收集到了大约0.85的最佳人员相关性。所有测试的无参考指标都报告了非常差的结果，相关性在0.4到0.6之间，表明需要进一步开发更为稳健的无参考指标。该数据集，包括NeRF样本、源3D物体、用于NeRF生成的多视图图像、PVS、MOS等，已经公开发布在以下位置：https://github.com/LittlericeChloe/Explicit_NeRF_QA。

本文旨在解决NeRF模型的存储成本问题，提出了一种新的数据集Explicit-NeRF-QA，并在其中测试了NeRF模型的压缩效果和质量评估。

通过引入有损压缩，以及选择关键参数，如InstantNGP的哈希表大小和Plenoxels的体素网格分辨率，构建了四种典型的显式NeRF模型，并在新数据集上进行了实验验证。

实验设计了一个大规模的主观实验，在实验室环境下收集了21个观众的主观评分。测试了目前最先进的客观指标，并公开了数据集和源代码。

与该领域的相关研究包括：NeRF、NeRF++、NeRF-W、Sparse-Voxel NeRF等。