Textured mesh Quality Assessment using Geometry and Color Field Similarity

纹理化网格质量评估（TMQA）对于各种3D网格应用至关重要。然而，现有的TMQA方法常常难以提供准确且稳健的评估结果。受场（fields）在表示3D几何和颜色信息方面有效性的启发，我们提出了一种新的基于点的TMQA方法，称为场网格质量度量（FMQM）。FMQM利用符号距离场以及我们新提出的颜色场——最近表面点颜色场，以实现对网格特征的有效描述。从几何场和颜色场中提取了四个与视觉感知相关的特征：几何相似性、几何梯度相似性、空间颜色分布相似性和空间颜色梯度相似性。在三个基准数据集上的实验结果表明，FMQM优于现有的最先进（SOTA）TMQA度量方法。此外，FMQM具有较低的计算复杂度，使其成为3D图形和可视化领域实际应用中高效且实用的解决方案。我们的代码已公开发布在以下链接：https://github.com/yyyykf/FMQM。

该论文试图解决纹理化网格质量评估（TMQA）中现有方法无法提供准确和鲁棒评价的问题。这是一个长期存在的问题，特别是在3D图形和可视化领域。

论文提出了一种基于点的新型TMQA方法——场网格质量度量（FMQM）。它通过结合符号距离场和一种新提出的颜色场（最近表面点颜色场），从几何和颜色信息中提取四个与视觉感知相关的特征：几何相似性、几何梯度相似性、空间颜色分布相似性和空间颜色梯度相似性。相比传统方法，FMQM利用场来更有效地描述网格特征，从而提高了评估的准确性。

论文在三个基准数据集上进行了实验，并证明了FMQM优于当前最先进的TMQA方法。此外，FMQM具有较低的计算复杂度，使其适用于实际应用。代码已开源至GitHub（https://github.com/yyyykf/FMQM），为后续研究提供了便利。未来可以进一步探索如何将FMQM应用于更多复杂的3D场景或与其他3D处理技术结合。

近年来，关于3D网格质量评估的研究包括‘Mesh Quality Assessment via Geometric Features’和‘A Survey of 3D Mesh Quality Metrics’等。这些研究主要关注几何特征的提取和比较，而较少涉及颜色信息的融合。另外，‘Deep Learning for 3D Shape Analysis’展示了深度学习在3D形状分析中的潜力，但尚未直接应用于TMQA领域。FMQM通过引入场的概念，在这一方向上迈出了重要一步。