論文の概要: RBFIM: Perceptual Quality Assessment for Compressed Point Clouds Using Radial Basis Function Interpolation
- arxiv url: http://arxiv.org/abs/2503.14154v1
- Date: Tue, 18 Mar 2025 11:25:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-19 14:14:10.768803
- Title: RBFIM: Perceptual Quality Assessment for Compressed Point Clouds Using Radial Basis Function Interpolation
- Title（参考訳）: RBFIM:放射基底関数補間を用いた圧縮点雲の知覚品質評価
- Authors: Zhang Chen, Shuai Wan, Siyu Ren, Fuzheng Yang, Mengting Yu, Junhui Hou,
- Abstract要約: ポイントクラウド圧縮(PCC)の主な課題の1つは、知覚的品質にRBを最適化できるように、認識された歪みを評価する方法である。
本稿では、放射基底関数(RBF)を用いて離散点特徴を歪み点雲の連続特徴関数に変換する新しい評価法を提案する。
- 参考スコア（独自算出の注目度）: 58.04300937361664
- License:
- Abstract: One of the main challenges in point cloud compression (PCC) is how to evaluate the perceived distortion so that the codec can be optimized for perceptual quality. Current standard practices in PCC highlight a primary issue: while single-feature metrics are widely used to assess compression distortion, the classic method of searching point-to-point nearest neighbors frequently fails to adequately build precise correspondences between point clouds, resulting in an ineffective capture of human perceptual features. To overcome the related limitations, we propose a novel assessment method called RBFIM, utilizing radial basis function (RBF) interpolation to convert discrete point features into a continuous feature function for the distorted point cloud. By substituting the geometry coordinates of the original point cloud into the feature function, we obtain the bijective sets of point features. This enables an establishment of precise corresponding features between distorted and original point clouds and significantly improves the accuracy of quality assessments. Moreover, this method avoids the complexity caused by bidirectional searches. Extensive experiments on multiple subjective quality datasets of compressed point clouds demonstrate that our RBFIM excels in addressing human perception tasks, thereby providing robust support for PCC optimization efforts.
- Abstract（参考訳）: ポイントクラウド圧縮(PCC)の主な課題の1つは、認識された歪みをコーデックが知覚品質に最適化できるように評価する方法である。
単一機能メトリクスは圧縮歪みを評価するのに広く使われているが、点間近接する隣人を探索する古典的な手法は、点雲間の正確な対応を適切に構築するのに失敗し、人間の知覚的特徴を効果的に捕捉する。
この制限を克服するために,放射基底関数(RBF)の補間を利用して離散点特徴を歪み点雲の連続特徴関数に変換するRBFIMと呼ばれる新しい評価手法を提案する。
原点雲の幾何座標を特徴関数に置換することにより、点特徴の単射集合を得る。
これにより、歪んだ点雲と原点雲の間に正確な対応する特徴が確立され、品質評価の精度が大幅に向上する。
さらに,この手法は双方向探索による複雑さを回避する。
圧縮点雲の複数の主観的品質データセットに関する大規模な実験により、RBFIMは人間の知覚課題に対処する上で優れており、PCC最適化への堅牢な支援を提供することが示された。
関連論文リスト
- From Images to Point Clouds: An Efficient Solution for Cross-media Blind Quality Assessment without Annotated Training [35.45364402708792]
アノテーションを使用せずに新たなシーンから点雲の知覚的品質を予測できる新しい品質評価手法を提案する。
メディアの種類に関わらず,人間の視覚システム(HVS)を品質評価の意思決定者と認識することで,ニューラルネットワークによる人間の知覚評価基準をエミュレートすることができる。
本稿では,既存/推定歪み分布を逆DAフレームワークに統合する歪み誘導型特徴アライメントを提案する。
論文 参考訳（メタデータ） (2025-01-23T05:15:10Z) - A Consistency-Aware Spot-Guided Transformer for Versatile and Hierarchical Point Cloud Registration [9.609585217048664]
我々は整合性を考慮したスポット誘導変換器(CAST)を開発した。
CASTは、無関係な領域への干渉を避けるために、スポット誘導のクロスアテンションモジュールを組み込んでいる。
スパースキーポイントと高密度特徴の両方のための軽量な微細マッチングモジュールは、変換を正確に推定することができる。
論文 参考訳（メタデータ） (2024-10-14T08:48:25Z) - 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) - Geometric Prior Based Deep Human Point Cloud Geometry Compression [67.49785946369055]
我々は、点雲の幾何学的冗長性除去に先立って、人間の幾何学的手法を利用する。
高分解能な人点雲を幾何学的先行と構造的偏差の組み合わせとして考えることができる。
提案フレームワークは,既存の学習ベースポイントクラウド圧縮手法を用いて,プレイ・アンド・プラグ方式で動作可能である。
論文 参考訳（メタデータ） (2023-05-02T10:35:20Z) - Reduced-Reference Quality Assessment of Point Clouds via
Content-Oriented Saliency Projection [17.983188216548005]
多くの高密度な3Dポイントクラウドは、従来の画像やビデオではなく、視覚オブジェクトを表現するために利用されてきた。
本稿では, 点雲に対する新しい, 効率的な還元参照品質指標を提案する。
論文 参考訳（メタデータ） (2023-01-18T18:00:29Z) - TCDM: Transformational Complexity Based Distortion Metric for Perceptual
Point Cloud Quality Assessment [24.936061591860838]
客観的クラウド品質評価(PCQA)研究の目標は、ポイントクラウド品質を一貫した方法で測定するメトリクスを開発することである。
歪んだ点雲を基準に戻す複雑さを計測することで点雲の質を評価する。
提案手法の有効性を,5つのパブリッククラウド品質評価データベース上で行った広範囲な実験を通じて評価した。
論文 参考訳（メタデータ） (2022-10-10T13:20:51Z) - PointCAT: Contrastive Adversarial Training for Robust Point Cloud
Recognition [111.55944556661626]
我々は、ポイントクラウド認識モデルの堅牢性を高めるために、PointCAT(Point-Cloud Contrastive Adversarial Training)を提案する。
我々は、教師付きコントラスト損失を利用して、認識モデルにより抽出された超球面特徴のアライメントと均一性を促進する。
より難易度の高い点雲を実現するため,認識モデルと逆向きにノイズ発生装置をスクラッチから訓練する。
論文 参考訳（メタデータ） (2022-09-16T08:33:04Z) - PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
本稿では,正規化フローを組み込んだPU-Flowについて述べる。
具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。
提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-07-13T07:45:48Z) - Reduced Reference Perceptual Quality Model and Application to Rate
Control for 3D Point Cloud Compression [61.110938359555895]
レート歪み最適化では、ビットレートの制約を受ける再構成品質尺度を最大化してエンコーダ設定を決定する。
本稿では,V-PCC幾何および色量化パラメータを変数とする線形知覚品質モデルを提案する。
400個の圧縮された3D点雲による主観的品質試験の結果,提案モデルが平均評価値とよく相関していることが示唆された。
また、同じ目標ビットレートに対して、提案モデルに基づくレート歪みの最適化は、ポイント・ツー・ポイントの客観的な品質指標による徹底的な探索に基づくレート歪みの最適化よりも高い知覚品質を提供することを示した。
論文 参考訳（メタデータ） (2020-11-25T12:42:02Z)
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。