LS-PCQA

LS-PCQA数据集由上海交通大学合作媒体创新中心创建，包含104个高质量参考点云和超过22,568个失真样本。每个参考点云通过31种不同类型的失真（如高斯噪声、对比度失真、局部缺失和压缩损失）在7个失真级别上进行处理。数据集旨在支持无参考点云质量评估（NR-PCQA）的研究，特别是在点云的生成、压缩、传输和展示过程中可能出现的各种失真。通过大规模的主观实验和伪MOS评分，数据集为开发和评估新的NR-PCQA算法提供了丰富的资源。The LS-PCQA dataset was created by the Collaborative Media Innovation Center of Shanghai Jiao Tong University. It comprises 104 high-quality reference point clouds and more than 22,568 distorted samples. Each reference point cloud is subjected to distortions of 31 distinct types across 7 distortion levels, including Gaussian noise, contrast distortion, local missing, and compression loss. This dataset is intended to support research on no-reference point cloud quality assessment (NR-PCQA), particularly for various distortions that may occur during the generation, compression, transmission, and display of point clouds. Through large-scale subjective experiments and pseudo-MOS scoring, the dataset provides a rich resource for developing and evaluating new NR-PCQA algorithms.

搜集汇总

数据集介绍

构建方式

LS-PCQA数据集的构建旨在解决点云质量评估中的无参考度量问题。该数据集由104个参考点云组成，每个点云都被31种类型的失真以7个失真级别进行了增强，总共产生了超过22,000个失真样本。失真类型包括高斯噪声、对比度失真、局部缺失和压缩损失等。为了评估失真点云的质量，研究者们采用了伪主观意见分数（MOS）作为替代。LS-PCQA数据集的构建过程涉及了大量的主观实验，以确保数据集的质量和可靠性。

特点

LS-PCQA数据集具有以下特点：规模大，包含了104个参考点云和超过22,000个失真样本；失真类型丰富，涵盖了点云生产、压缩、传输和展示过程中的各种失真；采用伪MOS作为质量评估指标，提高了数据集的标注效率和可靠性。

使用方法

LS-PCQA数据集可以用于点云质量评估的无参考度量研究，特别是基于深度学习的无参考点云质量评估模型。研究者们可以采用数据集中的参考点云和失真样本进行模型训练和测试，以评估模型的性能和泛化能力。此外，LS-PCQA数据集还可以用于其他点云处理任务，如点云分割、点云配准等。

背景与挑战

背景概述

在近年来，随着三维采集设备能力的提升，点云已成为沉浸式媒体中最流行的格式。点云由一系列具有几何坐标的点组成，可能还包含其他属性，如颜色、反射率和表面法线。点云在增强现实（AR）、自动驾驶、工业机器人、文档记录和人脸地标识别等领域有着广泛的应用。然而，在点云的生产、压缩、传输和展示过程中，可能会出现各种失真，影响人类感知。因此，开发点云质量评估（PCQA）技术对于理解失真和进行失真点云的质量优化至关重要。PCQA可以通过主观实验或客观指标来进行。由于主观实验昂贵且耗时，研究鲁棒且有效的客观PCQA指标变得尤为重要。然而，与常规网格中呈现的二维媒体（如图像和视频）不同，三维点云的点在空间中呈散布状态。如何从散布的点中提取有效的特征进行质量评估，需要进一步研究。LS-PCQA数据集正是在这一背景下创建的，它包含了104个参考点云和超过22,000个失真样本，旨在促进无参考点云质量评估（NR-PCQA）的研究。

当前挑战

LS-PCQA数据集创建过程中面临的主要挑战包括：1)缺乏大规模数据集：学习型NR-PCQA指标的鲁棒性和泛化能力依赖于可用数据的丰富性。点云的获取成本远高于二维图像，现有的PCQA数据集规模较小，不足以支持具有高泛化能力的NR-PCQA指标的开发。2)数据标注困难：PCQA的标签通常来自主观实验，这些实验昂贵且耗时，需要严格控制的条件。对于LS-PCQA数据集中超过22,000个样本，每个点云至少需要16个有效的主观评分，因此，通过主观实验标注整个数据集是非常困难的。3)密集卷积与散布点的不均匀空间分布之间的不匹配：对于学习型指标，传统的密集卷积实现针对的是密集网格上的数据，无法高效地处理不均匀的散布数据。密集卷积与散布点的不均匀分布之间的不匹配导致在处理点云时内存使用量高且推理速度慢。

常用场景

经典使用场景

LS-PCQA 数据集，作为目前规模最大的点云质量评估数据集，为无参考点云质量评估（NR-PCQA）提供了宝贵的资源。其经典的使用场景包括：1）训练和评估无参考点云质量评估模型；2）研究点云质量与压缩参数之间的关系，指导点云压缩策略；3）分析点云在不同类型失真下的质量变化，为点云质量优化提供依据。

解决学术问题

LS-PCQA 数据集解决了 NR-PCQA 研究中的几个关键问题：1）缺乏大规模数据集，限制了 NR-PCQA 模型的泛化能力；2）数据标注困难，主观实验耗时耗力；3）密集卷积与点云不均匀空间分布之间的不匹配，导致计算效率低下。LS-PCQA 数据集的建立为 NR-PCQA 研究提供了丰富的数据资源，并采用伪 MOS 进行标注，克服了主观实验的局限性。同时，该数据集利用稀疏卷积神经网络（CNN）进行特征提取，有效地解决了密集卷积与点云不均匀空间分布之间的不匹配问题。

衍生相关工作

LS-PCQA 数据集的建立衍生了多项相关研究工作，主要包括：1）基于稀疏 CNN 的无参考点云质量评估模型 ResSCNN；2）利用伪 MOS 进行数据标注的方法；3）基于子流形稀疏 CNN 的 3D 特征描述方法。这些相关工作为 NR-PCQA 研究提供了新的思路和方法，推动了该领域的发展。