default-optimized viewpoint (DOV) dataset

本研究构建了一个默认优化视点数据集（DOV），该数据集包含数千对默认视点和相应的优化视点。这些视点对是通过自监督视点排序网络（SSVRN）从大量候选视点中选出的，用于训练内容感知视点生成网络（CAVGN），以生成能够更全面反映降质点云真实质量的优化视点。

This study constructs a Default-Optimized Viewpoint dataset (DOV), which contains thousands of pairs of default viewpoints and their corresponding optimized viewpoints. These viewpoint pairs are selected from a large number of candidate viewpoints via a self-supervised viewpoint ranking network (SSVRN), and are used to train the Content-Aware Viewpoint Generation Network (CAVGN) to generate optimized viewpoints that can more comprehensively reflect the true quality of downsampled point clouds.

搜集汇总

数据集介绍

构建方式

为了解决现有投影相关点云质量评估方法中视角选择的内容无关性问题，本文提出了一个内容感知视角生成网络（CAVGN）。CAVGN通过提取多尺度几何和纹理特征，并对每个默认内容无关视角进行特征细化，最终生成优化视角。为了训练CAVGN，本文构建了一个默认优化视角数据集（DOV），其中包含数千对默认视角及其对应的优化视角。该数据集通过自监督视角排名网络（SSVRN）构建，该网络选择具有最低质量投影图像的视角作为优化视角。

使用方法

CAVGN数据集的使用方法如下：1）训练：使用DOV数据集训练CAVGN，使其能够根据输入点云生成优化视角；2）评估：将CAVGN生成的优化视角应用于现有投影相关点云质量评估方法，以评估点云质量；3）可视化：将生成的优化视角与默认视角进行比较，以观察优化视角在反映点云质量方面的优势。

背景与挑战

背景概述

在三维建模、物体识别、导航等众多领域，点云的应用日益广泛。然而，由于传感器局限性或实际场景内容的复杂性，收集到的原始点云往往包含噪声，并在压缩、传输和存储过程中可能引入各种畸变，导致几何和感知质量的下降。客观的点云质量评估（PCQA）对于衡量失真点云的视觉和几何质量，从而评估相关点云应用的性能至关重要。现有的PCQA方法主要分为基于点的方法、基于投影的方法和基于多模态的方法。其中，基于投影的方法占据主导地位，它们将3D点云投影到预设数量的投影区域，然后利用现有的图像质量评估（IQA）指标来评估点云的质量。然而，现有的基于投影的PCQA方法通常采用内容独立的视点设置策略，没有考虑到退化点云的几何和属性信息的分布。为了解决这个问题，本文提出了一种新的内容感知视点生成网络（CAVGN），通过考虑退化点云的几何和属性特征分布来学习更好的视点。CAVGN由多尺度特征提取、特征约束和视点生成三个部分组成，可以生成更优的视点，从而提高基于投影的PCQA方法的性能。为了训练CAVGN，本文还提出了一个自监督视点排名网络（SSVRN），用于选择具有最低质量投影图像的视点，构建了一个默认优化视点（DOV）数据集。实验结果表明，使用CAVGN生成的视点，基于投影的PCQA方法可以取得更高的性能。

当前挑战

尽管基于投影的PCQA方法在点云质量评估方面取得了显著进展，但它们普遍采用内容独立的视点设置策略，忽略了退化点云的几何和属性信息分布。这导致了评估结果的波动性，即预测的质量分数会随着不同视点设置而显著变化。为了解决这一问题，本文提出了CAVGN，它能够根据点云的几何和属性特征生成更优的视点。此外，为了构建DOV数据集，本文还提出了SSVRN，用于选择具有最低质量投影图像的视点。然而，SSVRN是一个基于搜索的方法，其计算成本较高，包括候选视点生成、图像投影和排名等。因此，在实际应用中，需要选择适当的方法来平衡性能和计算成本。

常用场景

经典使用场景

在点云质量评估（PCQA）领域，default-optimized viewpoint (DOV) 数据集常用于训练内容感知视点生成网络（CAVGN）。CAVGN 通过学习点云的几何和属性特征分布，生成优化的视点，从而更准确地反映点云的真实质量。此外，DOV 数据集还用于训练自监督视点排名网络（SSVRN），以选择质量最差的投影图像对应的视点，构建 DOV 数据集。

解决学术问题

DOV 数据集解决了现有投影相关 PCQA 方法中视点设置策略内容独立的问题。这些方法通常采用简单的、与内容无关的投影策略，选择一定数量的视点来获取降级点云的投影图像，以进行进一步的评估。然而，这种方法会导致预测质量分数的不稳定性，即在不同视点设置下，预测质量分数会显著变化。DOV 数据集通过考虑降级点云的几何和属性特征分布，生成了优化的视点，从而提高了 PCQA 方法的性能。

实际应用

DOV 数据集在实际应用中，主要用于提升 PCQA 方法的性能，特别是在处理降级点云时。通过生成优化的视点，DOV 数据集可以帮助 PCQA 方法更好地提取关键信息，从而更准确地评估点云的质量。此外，DOV 数据集还可以用于训练 SSVRN，以选择质量最差的投影图像对应的视点，从而进一步构建 DOV 数据集。

数据集最近研究

最新研究方向

在点云质量评估领域，传统的投影相关点云质量评估（PCQA）方法通常采用内容无关的投影策略，即选择一定数量的视点来获取退化点云的投影图像，以便进一步评估。然而，现有方法中视点设置的稳定性不佳，预测的质量得分会随着视点设置的不同而显著变化。受“木桶理论”的启发，本文提出了一种内容感知视点生成网络（CAVGN），通过考虑退化点云的几何和属性特征的分布来学习更好的视点。首先，CAVGN分别提取整个输入点云的多尺度几何和纹理特征。然后，对于每个默认内容无关的视点，提取的几何和纹理特征被细化以关注输入点云的相应可见部分。最后，细化的几何和纹理特征被连接起来生成一个优化的视点。为了训练CAVGN，本文提出了一种自监督视点排名网络（SSVRN），以选择具有最差质量投影图像的视点来构建一个默认优化视点数据集，该数据集包含数千对默认视点和相应的优化视点。实验结果表明，使用CAVGN生成的视点，投影相关的PCQA方法可以实现更高的性能。

相关研究论文

• The Worse The Better: Content-Aware Viewpoint Generation Network for Projection-related Point Cloud Quality Assessment

  南京理工大学 · 2025年