SCOPE (Stereoscopic COntent Preference Evaluation)

SCOPE数据集由苹果公司、魏茨曼科学研究所和麻省理工学院联合创建，旨在评估立体图像的质量和用户体验。该数据集包含2400个样本，涵盖了多种常见的感知扭曲和生成方法，数据来源包括物理捕捉的立体图像和通过生成方法处理的单目图像。数据集通过VR头显收集用户的偏好标注，用于训练立体体验质量评估模型iSQoE。该数据集的应用领域主要集中在虚拟现实和立体图像生成技术中，旨在解决立体图像质量评估中的数据瓶颈问题，提升用户体验。The SCOPE dataset was co-developed by Apple Inc., the Weizmann Institute of Science, and the Massachusetts Institute of Technology (MIT), with the goal of evaluating the quality and user experience of stereoscopic images. Comprising 2400 samples, the dataset covers a variety of common perceptual distortions and generation methods, with data sources including physically captured stereoscopic images and monocular images processed via generative approaches. User preference annotations were collected using VR headsets, and the dataset is utilized to train the stereoscopic experience quality assessment model iSQoE. Its primary application scenarios focus on virtual reality and stereoscopic image generation technologies, aiming to address the data bottleneck issue in stereoscopic image quality assessment and enhance user experience.

搜集汇总

数据集介绍

构建方式

SCOPE数据集的构建基于虚拟现实（VR）技术，通过向参与者展示经过不同失真处理的双目立体图像对，并询问其偏好。数据集包含真实和合成的立体图像，涵盖了多种常见的感知失真和伪影。失真类型包括纹理变化、色调偏移、噪声、模糊、压缩等。参与者通过VR头戴设备进行标注，确保了标注的沉浸感和一致性。数据集最终包含2400个样本，每个样本由103名参与者进行标注，确保了数据的多样性和可靠性。

特点

SCOPE数据集的特点在于其广泛的失真类型和高质量的标注。数据集不仅涵盖了传统的图像失真，还引入了生成式方法（如3D高斯溅射和MotionCtrl）产生的复杂伪影。此外，数据集通过VR设备进行标注，确保了标注结果与真实VR体验的一致性。数据集的标注方式为二选一强制选择（2AFC），使得标注结果具有较高的可解释性和一致性。SCOPE是目前最大的立体图像质量评估数据集，能够有效支持立体图像质量预测模型的训练和评估。

使用方法

SCOPE数据集主要用于训练和评估立体图像质量预测模型。研究人员可以使用该数据集来开发新的立体图像质量评估算法，特别是针对VR环境中的图像质量。数据集中的标注结果可以直接用于训练模型，模型可以通过预测用户对立体图像的偏好来评估图像质量。此外，SCOPE数据集还可以用于比较不同的单目到立体图像生成方法，评估其在VR环境中的表现。数据集的使用方法包括数据加载、模型训练、性能评估等步骤，研究人员可以根据具体需求进行定制化的实验设计。

背景与挑战

背景概述

随着虚拟现实（VR）技术的快速发展，如何有效评估立体视觉体验质量（SQoE）成为提供沉浸式3D体验的关键。然而，现有的立体视觉评估方法多集中于视觉不适或图像质量等单一维度，且面临数据不足的挑战。为填补这一空白，Netanel Y. Tamir等研究人员于2024年提出了SCOPE（Stereoscopic COntent Preference Evaluation）数据集。该数据集由真实和合成的立体图像组成，涵盖了多种常见的感知失真和伪影，并通过VR头显收集了用户的偏好标注。SCOPE的创建旨在为立体视觉质量评估提供更全面的数据支持，并推动了iSQoE模型的开发，该模型在单目到立体转换方法的评估中表现出优于现有方法的性能。

当前挑战

SCOPE数据集在构建和应用过程中面临多重挑战。首先，立体视觉质量评估本身具有复杂性，涉及2D美学、深度感知和观看舒适度等多个因素，现有评估工具难以全面捕捉这些维度。其次，数据集的构建过程中，研究人员需要处理多种失真类型，包括噪声、模糊、压缩等，并确保这些失真在立体图像中的一致性。此外，通过VR头显收集用户偏好标注时，需克服视觉疲劳和用户主观性带来的噪声问题。最后，尽管SCOPE数据集规模较大，但其数据来源仍局限于少数现有数据集，可能限制了数据的多样性和泛化能力。

常用场景

经典使用场景

SCOPE数据集在虚拟现实（VR）环境中被广泛用于评估立体图像的质量和用户体验。通过展示经过不同失真处理的立体图像对，参与者通过VR头戴设备进行观看并选择其偏好的版本。这种场景模拟了真实VR应用中的用户交互，帮助研究人员理解用户在不同失真条件下的视觉偏好。

实际应用

SCOPE数据集的实际应用场景包括VR内容开发、立体图像生成算法的优化以及用户体验的量化评估。通过使用该数据集，开发者可以更好地理解用户对立体图像的偏好，从而优化VR内容的生成和渲染过程。此外，iSQoE模型可以用于自动化评估立体图像的质量，帮助内容创作者快速识别和修正潜在的视觉问题，提升用户的沉浸感和舒适度。

衍生相关工作

SCOPE数据集衍生了一系列相关研究工作，特别是在立体图像质量评估和VR用户体验优化领域。基于该数据集，研究人员开发了iSQoE模型，该模型在评估立体图像质量时表现出色。此外，SCOPE还启发了对立体图像生成算法的进一步研究，如基于深度学习的单目到立体转换方法。这些工作不仅推动了立体图像评估技术的发展，还为VR内容的生成和优化提供了新的思路。