論文の概要: 3DGCQA: A Quality Assessment Database for 3D AI-Generated Contents

• arxiv url: http://arxiv.org/abs/2409.07236v2
• Date: Thu, 12 Sep 2024 02:17:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-13 11:22:09.147172
• Title: 3DGCQA: A Quality Assessment Database for 3D AI-Generated Contents
• Title（参考訳）: 3DGCQA: 3D AI生成コンテンツの品質評価データベース
• Authors: Yingjie Zhou, Zicheng Zhang, Farong Wen, Jun Jia, Yanwei Jiang, Xiaohong Liu, Xiongkuo Min, Guangtao Zhai,
• Abstract要約: 本稿では,テキスト・ツー・3D生成手法を用いて構築した新しい3DGC品質評価データセットである3DGCQAを提案する。 可視化によって、生成された3DGCに6つの共通の歪みカテゴリが存在することが直感的に明らかになる。 主観的品質評価は評価者によって行われ、その評価は異なる生成方法における品質の顕著な変動を示す。 いくつかの客観的品質評価アルゴリズムが3DGCQAデータセットでテストされている。
• 参考スコア（独自算出の注目度）: 50.730468291265886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although 3D generated content (3DGC) offers advantages in reducing production costs and accelerating design timelines, its quality often falls short when compared to 3D professionally generated content. Common quality issues frequently affect 3DGC, highlighting the importance of timely and effective quality assessment. Such evaluations not only ensure a higher standard of 3DGCs for end-users but also provide critical insights for advancing generative technologies. To address existing gaps in this domain, this paper introduces a novel 3DGC quality assessment dataset, 3DGCQA, built using 7 representative Text-to-3D generation methods. During the dataset's construction, 50 fixed prompts are utilized to generate contents across all methods, resulting in the creation of 313 textured meshes that constitute the 3DGCQA dataset. The visualization intuitively reveals the presence of 6 common distortion categories in the generated 3DGCs. To further explore the quality of the 3DGCs, subjective quality assessment is conducted by evaluators, whose ratings reveal significant variation in quality across different generation methods. Additionally, several objective quality assessment algorithms are tested on the 3DGCQA dataset. The results expose limitations in the performance of existing algorithms and underscore the need for developing more specialized quality assessment methods. To provide a valuable resource for future research and development in 3D content generation and quality assessment, the dataset has been open-sourced in https://github.com/zyj-2000/3DGCQA.
• Abstract（参考訳）: 3D生成コンテンツ(3DGC)は、生産コストの削減と設計タイムラインの高速化にメリットがあるが、プロの3D生成コンテンツと比較すると、品質は低下することが多い。 一般的な品質問題はしばしば3DGCに影響を与え、タイムリーで効果的な品質評価の重要性を強調している。 このような評価は、エンドユーザーに対して高い3DGCを保証するだけでなく、生成技術の進歩に重要な洞察を与える。 そこで本研究では,テキスト・ツー・3D生成手法を用いて構築した3DGC品質評価データセットである3DGCQAを提案する。 データセットの構築中に、50の固定プロンプトを使用して、すべてのメソッドにまたがるコンテンツを生成し、3DGCQAデータセットを構成する313のテクスチャ化されたメッシュを生成する。 可視化によって、生成された3DGCに6つの共通の歪みカテゴリが存在することが直感的に明らかになる。 3DGCの品質をさらに調査するため、評価者によって主観的品質評価が行われ、その評価は、異なる生成方法における品質の有意な変動を示す。 さらに、3DGCQAデータセット上で、いくつかの客観的品質評価アルゴリズムがテストされている。 その結果、既存のアルゴリズムの性能の限界を明らかにし、より専門的な品質評価手法を開発する必要性を浮き彫りにした。 3Dコンテンツ生成および品質評価における将来の研究開発のための貴重なリソースを提供するため、データセットはhttps://github.com/zyj-2000/3DGCQAでオープンソース化された。

関連論文リスト

• A Survey On Text-to-3D Contents Generation In The Wild [5.875257756382124]
  3Dコンテンツ作成は、ゲーム、ロボットシミュレーション、仮想現実など、さまざまなアプリケーションにおいて重要な役割を果たす。 この課題に対処するために、テキストから3D生成技術が、3D生成を自動化するための有望なソリューションとして登場した。
  論文  参考訳（メタデータ） (2024-05-15T15:23:22Z)
• A Comprehensive Survey on 3D Content Generation [148.434661725242]
  3Dコンテンツ生成は学術的価値と実践的価値の両方を示している。 新しい分類法が提案され,既存のアプローチを3Dネイティブ生成法,2D先行3D生成法,ハイブリッド3D生成法という3つのタイプに分類する。
  論文  参考訳（メタデータ） (2024-02-02T06:20:44Z)
• Activating Frequency and ViT for 3D Point Cloud Quality Assessment without Reference [0.49157446832511503]
  与えられた3D-PCの非参照品質指標を提案する。 入力属性を品質スコアにマップするには、Deformable Convolutional Network(DCN)とViT(ViT)を組み合わせた軽量ハイブリッドディープモデルを用いる。 その結果,本手法は現在のNR-PCQA測度やPointXRのFR-PCQAよりも優れていた。
  論文  参考訳（メタデータ） (2023-12-10T19:13:34Z)
• T$^3$Bench: Benchmarking Current Progress in Text-to-3D Generation [52.029698642883226]
  テキストから3Dへの手法は、強力な事前学習拡散モデルを利用してNeRFを最適化する。 ほとんどの研究は、主観的なケーススタディとユーザ実験で結果を評価している。 最初の総合的なテキスト・ツー・3DベンチマークであるT$3$Benchを紹介する。
  論文  参考訳（メタデータ） (2023-10-04T17:12:18Z)
• GMS-3DQA: Projection-based Grid Mini-patch Sampling for 3D Model Quality Assessment [82.93561866101604]
  従来のプロジェクションに基づく3DQA手法は,複数プロジェクションから特徴を直接抽出して品質予測精度を確保する。 我々は,Non-Reference (NR) projection-based textitunderlineGrid underlineMini-patch underlineSampling underline3D Model underlineQuality underlineAssessment (GMS-3DQA)法を提案する。 提案されたGMS-3DQAは、他の3Dよりもはるかに少ない計算資源と推論時間を必要とする
  論文  参考訳（メタデータ） (2023-06-09T03:53:12Z)
• EEP-3DQA: Efficient and Effective Projection-based 3D Model Quality Assessment [58.16279881415622]
  3次元モデルの高品質な特徴を抽出する効率的なモジュールを実現することは困難である。 提案手法は,Non-Reference (NR) underlineEfficient and UnderlineEffective UnderlineProjection-based Underline3D Model underlineQuality underlineAssessment (textbfEEP-3DQA) 法である。 提案されたEEP-3DQAとEEP-3DQA-t (tiny version)の実現
  論文  参考訳（メタデータ） (2023-02-17T06:14:37Z)
• Blind Quality Assessment of 3D Dense Point Clouds with Structure Guided Resampling [71.68672977990403]
  本研究では,3次元高密度点雲の知覚的視覚的品質を自動評価するために,Structure Guided Resampling (SGR) を用いた客観的点雲品質指標を提案する。 提案するSGRは,参照情報の不要な汎用ブラインド品質評価手法である。
  論文  参考訳（メタデータ） (2022-08-31T02:42:55Z)
• No-Reference Quality Assessment for Colored Point Cloud and Mesh Based on Natural Scene Statistics [36.017914479449864]
  色付き3次元モデルに対するNASに基づくノン参照品質評価指標を提案する。 本手法は主に,カラーポイントクラウド品質評価データベース (SJTU-PCQA) とカラーメッシュ品質評価データベース (CMDM) で検証されている。
  論文  参考訳（メタデータ） (2021-07-05T14:03:15Z)

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。