論文の概要: Uncertainty-aware No-Reference Point Cloud Quality Assessment

• arxiv url: http://arxiv.org/abs/2401.08926v1
• Date: Wed, 17 Jan 2024 02:25:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-18 17:12:21.333800
• Title: Uncertainty-aware No-Reference Point Cloud Quality Assessment
• Title（参考訳）: 不確かさを意識したクラウド品質評価
• Authors: Songlin Fan, Zixuan Guo, Wei Gao, Ge Li
• Abstract要約: 本研究は,非参照点クラウド品質評価(PCQA)のための最初の確率的アーキテクチャを提案する。 提案手法は条件付き変分オートエンコーダ(AE)を用いて被験者の品質判定をモデル化できる。 実験により,本手法は従来の最先端手法を大きなマージンで模倣し,データセット間実験を行うことを示す。
• 参考スコア（独自算出の注目度）: 25.543217625958462
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The evolution of compression and enhancement algorithms necessitates an accurate quality assessment for point clouds. Previous works consistently regard point cloud quality assessment (PCQA) as a MOS regression problem and devise a deterministic mapping, ignoring the stochasticity in generating MOS from subjective tests. Besides, the viewpoint switching of 3D point clouds in subjective tests reinforces the judging stochasticity of different subjects compared with traditional images. This work presents the first probabilistic architecture for no-reference PCQA, motivated by the labeling process of existing datasets. The proposed method can model the quality judging stochasticity of subjects through a tailored conditional variational autoencoder (CVAE) and produces multiple intermediate quality ratings. These intermediate ratings simulate the judgments from different subjects and are then integrated into an accurate quality prediction, mimicking the generation process of a ground truth MOS. Specifically, our method incorporates a Prior Module, a Posterior Module, and a Quality Rating Generator, where the former two modules are introduced to model the judging stochasticity in subjective tests, while the latter is developed to generate diverse quality ratings. Extensive experiments indicate that our approach outperforms previous cutting-edge methods by a large margin and exhibits gratifying cross-dataset robustness.
• Abstract（参考訳）: 圧縮および拡張アルゴリズムの進化は、ポイントクラウドの正確な品質評価を必要とする。 従来の研究は、ポイントクラウド品質評価(PCQA)をMOS回帰問題として一貫して考慮し、主観的なテストからMOSを生成する確率性を無視した決定論的マッピングを考案した。 また,主観試験における3次元点雲の視点切り換えは,従来の画像と比較して異なる被験者の確率性が強くなる。 この研究は、既存のデータセットのラベル付けプロセスによって動機付けられた、非参照PCQAのための最初の確率的アーキテクチャを示す。 提案手法は,条件付き変分オートエンコーダ(CVAE)を用いて被験者の確率性判定品質をモデル化し,複数の中間品質評価を行う。 これらの中間格付けは、異なる被験者の判断をシミュレートし、その後、基底真理MOSの生成過程を模倣して正確な品質予測に統合する。 具体的には, 先行モジュール, 後方モジュール, 品質評価生成器を組み込んで, 前者2つのモジュールを主観的テストにおける判定確率性をモデル化し, 後者は多様な品質評価を生成するために開発された。 広範な実験は,従来の最先端手法よりも大きなマージンで勝っており,データ間ロバスト性が満足できることを示す。

関連論文リスト

• Adaptive Image Quality Assessment via Teaching Large Multimodal Model to Compare [99.57567498494448]
  我々はLMMに基づくノン参照IQAモデルであるCompare2Scoreを紹介する。 トレーニング中、同じIQAデータセットの画像を比較することで、スケールアップ比較命令を生成する。 9つのIQAデータセットの実験により、Compare2Scoreは、トレーニング中にテキスト定義の比較レベルを効果的にブリッジすることを確認した。
  論文  参考訳（メタデータ） (2024-05-29T17:26:09Z)
• Opinion-Unaware Blind Image Quality Assessment using Multi-Scale Deep Feature Statistics [54.08757792080732]
  我々は,事前学習された視覚モデルからの深い特徴を統計的解析モデルと統合して,意見認識のないBIQA(OU-BIQA)を実現することを提案する。 提案モデルは,最先端のBIQAモデルと比較して,人間の視覚的知覚との整合性に優れる。
  論文  参考訳（メタデータ） (2024-05-29T06:09:34Z)
• Contrastive Pre-Training with Multi-View Fusion for No-Reference Point Cloud Quality Assessment [49.36799270585947]
  No-Reference Point Cloud Quality Assessment (NR-PCQA) は、歪んだ点雲の知覚的品質を、参照なしで自動的に評価することを目的としている。 我々は,PCQA(CoPA)に適した新しいコントラスト付き事前学習フレームワークを提案する。 提案手法は,最新のPCQA手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2024-03-15T07:16:07Z)
• PAME: Self-Supervised Masked Autoencoder for No-Reference Point Cloud Quality Assessment [34.256276774430575]
  no-reference point cloud quality Assessment (NR-PCQA) は、参照なしでポイントクラウドの知覚的品質を自動的に予測することを目的としている。 本稿では,マスク付きオートエンコーダ(PAME)を用いた自己教師型事前学習フレームワークを提案する。 提案手法は,予測精度と一般化性の観点から,最新のNR-PCQA法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2024-03-15T07:01:33Z)
• Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
  上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。 提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-12-11T06:50:27Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Image Quality Assessment: Integrating Model-Centric and Data-Centric Approaches [20.931709027443706]
  画像品質評価(IQA)は過去10年間で著しく進歩している。 ほぼ全員が、モデルとデータという2つの重要なコンポーネントを独立して考えています。
  論文  参考訳（メタデータ） (2022-07-29T16:23:57Z)
• FUNQUE: Fusion of Unified Quality Evaluators [42.41484412777326]
  核融合による品質評価は、高性能な品質モデルを開発するための強力な方法として登場した。 統一品質評価器を融合した品質モデルであるFUNQUEを提案する。
  論文  参考訳（メタデータ） (2022-02-23T00:21:43Z)
• Task-Specific Normalization for Continual Learning of Blind Image Quality Models [105.03239956378465]
  視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。 このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。 我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。 最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
  論文  参考訳（メタデータ） (2021-07-28T15:21:01Z)
• Generating Adversarial Examples with an Optimized Quality [12.747258403133035]
  ディープラーニングモデルは、Adversarial Examples(AE)に対して脆弱であり、これらのモデルを欺くために慎重に作られたサンプルである。 近年の研究では、新たな敵攻撃法が導入されたが、工芸品の品質は保証されていない。 本稿では,画像品質評価(IQA)メトリクスをAEの設計・生成プロセスに組み込む。
  論文  参考訳（メタデータ） (2020-06-30T23:05:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。