GS-QA

GS-QA是一个综合性的质量评估数据库，由葡萄牙里斯本大学的电信研究所和高等技术学院创建。该数据库包含了使用多种GS方法合成的视频，这些视频通过主观的双刺激连续质量尺度(DSCQS)测试进行了质量评估。数据集涵盖了八个真实世界的静态场景，旨在为GS视图合成和客观质量度量提供一个基准。

GS-QA is a comprehensive quality assessment database developed by the Institute of Telecommunications and Instituto Superior Técnico, University of Lisbon, Portugal. This database contains videos synthesized using multiple GS methods, whose quality was evaluated via the subjective Double Stimulus Continuous Quality Scale (DSCQS) test. The dataset covers eight real-world static scenes, and aims to serve as a benchmark for GS view synthesis and objective quality metrics.

搜集汇总

数据集介绍

构建方式

GS-QA数据集是通过一系列的静态场景和相机轨迹，结合七种先进的GS方法生成的合成视频构建的。首先，使用 COLMAP 算法进行相机位姿估计，然后利用训练图像初始化一组 3D 高斯函数。通过迭代优化，找到一组参数值，使合成图像与训练图像的差异最小化。接着，利用定义的轨迹进行视图合成，将 3D 高斯函数投影到相应的 2D 图像平面上，并通过“splatting”过程将高斯函数的参数合并，形成最终的场景 2D 视图。整个过程中，使用了多种策略来动态调整高斯函数的数量和空间分布，以提高渲染质量和效率。

特点

GS-QA数据集的特点包括：1) 包含 64 个由七种先进的 GS 方法生成的合成视频，以及八个参考视频；2) 覆盖了两种相机轨迹：360° 和前向视角 (FF)；3) 涵盖了八种真实的静态场景；4) 包含了由 22 名非专业观众进行的 DSCQS 主观测试结果；5) 包含了 18 个客观质量指标的性能评估。

使用方法

使用 GS-QA 数据集时，可以将其作为基准来评估 GS 方法的性能，包括合成视频的质量、速度和存储效率。同时，可以研究客观质量指标的有效性，以评估 GS 生成的视频内容。具体来说，可以比较不同 GS 方法的合成视频与参考视频之间的质量差异，并分析客观质量指标与主观测试结果之间的相关性。此外，还可以使用 GS-QA 数据集来开发新的 GS 方法或改进现有方法，以提高其性能和效率。

背景与挑战

背景概述

近年来，3D视觉表征在虚拟现实、游戏、医疗成像和建筑等多个领域日益流行。这些表征提供了沉浸式和交互式体验，使用户能够比传统2D图像更自然地感知深度和空间关系。高斯溅射（GS）是3D场景表示的最新进展，它通过使用各向异性的3D高斯来表示复杂的几何形状和外观，为实时3D场景渲染提供了一种更有前途的替代方案，与NeRF相比，GS实现了更快的渲染时间和更低的内存消耗。然而，对于GS生成的静态内容的质量评估尚未深入研究。本文描述了一项主观质量评估研究，旨在评估使用几种静态GS最先进方法获得的合成视频。这些方法被应用于各种视觉场景，包括360度和面向前方的（FF）相机轨迹。此外，还分析了18个客观质量指标的性能，使用主观研究的结果分数，为GS视图合成和客观质量指标提供了见解。所有视频和分数都公开提供，可以作为GS视图合成和客观质量指标的全面数据库。

当前挑战

尽管GS模型生成的视图具有许多优点，但它们通常会出现浮点数和几何失真等伪影，这会显著影响视觉质量。GS生成的静态内容缺乏全面的主观评估研究，这突出了文献中的一个关键差距。此外，虽然PSNR、SSIM和LPIPS等客观质量指标通常用于评估GS生成的内容，但它们与人类感知的相关性仍然研究不足。考虑到这些局限性，本研究的主要目标是进行一项全面的主观评估活动，从感知上比较几种静态GS方法的性能，并确定评估GS合成视图的最准确的客观质量指标。该工作的关键贡献是：主观评估活动：进行了一项主观研究，使用GS合成视图，对七种最先进的基于GS的方法进行了感知质量评估，从原始工作3DGS到更近期的Scaffold-GS。使用八个现实世界的静态场景，并考虑了360度和面向前方的相机轨迹来获取GS模型。通过使用定义的轨迹将视图合成应用于3D模型，获得视频，并通过在半受控的实验室环境中进行的双重刺激连续质量尺度（DSCQS）主观测试进行评估。客观指标的性能评估：使用主观评估测试中向参与者展示的视频和感知分数，对几个客观质量指标进行了彻底的分析。这种评估提供了指标性能的见解，突出了在解决GS特定伪影和失真方面的局限性，并确定了最有效地评估GS视图合成质量的指标，从而指导未来的发展。

常用场景

经典使用场景

GS-QA数据集主要用于评估Gaussian Splatting (GS)方法生成的静态内容的视觉质量。通过对多个GS方法生成的视频进行主观评估，可以比较它们的性能，并识别出最准确的客观质量评估指标。该数据集包含了多种视觉场景，包括360°和前向 facing (FF) 摄像机轨迹，为研究GS视图合成的质量提供了全面的基准。

实际应用

GS-QA数据集在实际应用中具有广泛的应用前景。例如，在虚拟现实、游戏、医疗成像和建筑等领域，3D视觉表示已经成为越来越受欢迎的技术。GS方法由于其高效的计算能力和高质量的渲染效果，在这些领域有着广泛的应用。通过使用GS-QA数据集，研究人员可以评估不同GS方法的性能，并选择最合适的方法来生成高质量的3D视觉表示。

衍生相关工作

GS-QA数据集的发布为相关研究提供了重要的基准。例如，NeRF-QA和NVS-QA数据集对NeRF方法生成的视频进行了主观质量评估，而GS-QA数据集则专注于GS方法生成的静态内容的视觉质量。此外，GS-QA数据集还评估了多种客观质量指标的适用性，为未来研究提供了重要的参考。