論文の概要: QD-PCQA: Quality-Aware Domain Adaptation for Point Cloud Quality Assessment

• arxiv url: http://arxiv.org/abs/2603.03726v1
• Date: Wed, 04 Mar 2026 04:58:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.183589
• Title: QD-PCQA: Quality-Aware Domain Adaptation for Point Cloud Quality Assessment
• Title（参考訳）: QD-PCQA:ポイントクラウド品質評価のための品質対応ドメイン適応
• Authors: Guohua Zhang, Jian Jin, Meiqin Liu, Chao Yao, Weisi Lin,
• Abstract要約: No-Reference Point Cloud Quality Assessment (NR-PCQA)は、まだ一般化に苦戦している。 HVS(Human Visual System)は、メディアタイプとは独立して知覚品質の評価を実行する。 QD-PCQAと呼ばれるPCQAのための新しい品質対応ドメイン適応フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 59.63956655216264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: No-Reference Point Cloud Quality Assessment (NR-PCQA) still struggles with generalization, primarily due to the scarcity of annotated point cloud datasets. Since the Human Visual System (HVS) drives perceptual quality assessment independently of media types, prior knowledge on quality learned from images can be repurposed for point clouds. This insight motivates adopting Unsupervised Domain Adaptation (UDA) to transfer quality-relevant priors from labeled images to unlabeled point clouds. However, existing UDA-based PCQA methods often overlook key characteristics of perceptual quality, such as sensitivity to quality ranking and quality-aware feature alignment, thereby limiting their effectiveness. To address these issues, we propose a novel Quality-aware Domain adaptation framework for PCQA, termed QD-PCQA. The framework comprises two main components: i) a Rank-weighted Conditional Alignment (RCA) strategy that aligns features under consistent quality levels and adaptively emphasizes misranked samples to reinforce perceptual quality ranking awareness; and ii) a Quality-guided Feature Augmentation (QFA) strategy, which includes quality-guided style mixup, multi-layer extension, and dual-domain augmentation modules to augment perceptual feature alignment. Extensive cross-domain experiments demonstrate that QD-PCQA significantly improves generalization in NR-PCQA tasks. The code is available at https://github.com/huhu-code/QD-PCQA.
• Abstract（参考訳）: No-Reference Point Cloud Quality Assessment (NR-PCQA) は、注釈付きクラウドデータセットの不足が主な原因で、依然として一般化に苦慮している。 HVS(Human Visual System)はメディアタイプとは独立して知覚品質評価を実行するため、画像から学習した品質に関する事前知識をポイントクラウドに再利用することができる。 この洞察は、Unsupervised Domain Adaptation (UDA)を採用して、ラベル付き画像からラベル付きポイントクラウドに品質関連プライオリティを転送する動機となっている。 しかし,既存のUDAベースのPCQA手法では,品質評価に対する感度や品質認識機能アライメントなど,知覚品質の重要な特徴を見落とし,その効果を抑えることがしばしばある。 これらの課題に対処するために、PCQAのための新しい品質対応ドメイン適応フレームワーク、QD-PCQAを提案する。 フレームワークは2つの主要コンポーネントから構成される。 一 特徴を一貫した品質水準に整合させ、誤用したサンプルを適応的に強調し、知覚的品質評価意識の強化を図るランク重み付き条件調整(RCA)戦略 二 品質誘導型特徴拡張(QFA)戦略であって、品質誘導型スタイルの混合、多層拡張、知覚的特徴アライメントを増強するための二重ドメイン拡張モジュールを含む。 広範囲にわたるクロスドメイン実験により、QD-PCQAはNR-PCQAタスクの一般化を著しく改善することが示された。 コードはhttps://github.com/huhu-code/QD-PCQAで入手できる。

関連論文リスト

• Life-IQA: Boosting Blind Image Quality Assessment through GCN-enhanced Layer Interaction and MoE-based Feature Decoupling [53.74410422225995]
  ブラインド画像品質評価(BIQA)は視覚経験の評価と最適化において重要な役割を担っている。 既存のBIQAアプローチのほとんどは、バックボーンネットワークから抽出された浅く深い特徴を融合させ、品質予測に不平等な貢献を見落としている。 本稿では,BIQA の浅層・深層特性の寄与について検討し,GCN によるアンダーライン層アンダーライン相互作用と MoE ベースのアンダーラインアンダーラインデカップリング(textbf(Life-IQA))による効果的な品質特徴デコードフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-24T11:59:55Z)
• No-Reference Point Cloud Quality Assessment via Graph Convolutional Network [89.12589881881082]
  3次元(3D)ポイントクラウドは、新しいビジュアルメディアフォーマットとして、消費者にますます好まれている。 ポイントクラウドは、必然的に、マルチメディア通信システムによる品質劣化と情報損失に悩まされる。 マルチビュー2次元投影画像の相互依存関係を特徴付けるために,GCN(Graph Convolutional Network)を用いた新しい非参照PCQA手法を提案する。
  論文  参考訳（メタデータ） (2024-11-12T11:39:05Z)
• Few-Shot Image Quality Assessment via Adaptation of Vision-Language Models [93.91086467402323]
  Gradient-Regulated Meta-Prompt IQA Framework (GRMP-IQA) は、視覚言語事前学習モデルのCLIPをIQAタスクに効率よく適応させるように設計されている。 GRMP-IQAは、 (i) Meta-Prompt 事前学習モジュールと (ii) Quality-Aware Gradient Regularization の2つのコアモジュールから構成される。
  論文  参考訳（メタデータ） (2024-09-09T07:26:21Z)
• Full-reference Point Cloud Quality Assessment Using Spectral Graph Wavelets [29.126056066012264]
  3Dアプリケーションにおけるポイントクラウドは、しばしば、スキャンや圧縮などの処理中に品質劣化を経験する。 本稿ではスペクトルグラフウェーブレット(SGW)を用いた全参照(FR)PCQA法を提案する。 我々の知る限り、PCQA向けのSGWを紹介する最初の研究である。
  論文  参考訳（メタデータ） (2024-06-14T06:59:54Z)
• 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)
• Simple Baselines for Projection-based Full-reference and No-reference Point Cloud Quality Assessment [60.2709006613171]
  投影型ポイントクラウド品質評価(PCQA)のための簡易ベースラインを提案する。 我々は、全参照(FR)タスクと非参照(NR)PCQAタスクの両方に対して、点雲から共通立方体状の投影プロセスによって得られる多重射影を用いる。 ICIP 2023 PCVQA Challengeに参加して,5トラック中4トラックで首位を獲得した。
  論文  参考訳（メタデータ） (2023-10-26T04:42:57Z)
• No-Reference Point Cloud Quality Assessment via Weighted Patch Quality Prediction [19.128878108831287]
  地域相関分析機能を備えた非参照点雲質評価法(NR-PCQA)を提案する。 具体的には、ポイントクラウドをパッチに分割し、各パッチのテクスチャと構造機能を生成し、パッチ品質を予測するためにそれらをパッチ機能に融合させました。 実験の結果,提案手法はNR-PCQA法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-13T03:20:33Z)
• Progressive Knowledge Transfer Based on Human Visual Perception Mechanism for Perceptual Quality Assessment of Point Clouds [21.50682830021656]
  点雲(PKT-PCQA)の知覚的品質評価のための人間の視覚知覚機構に基づく進歩的知識伝達を提案する。 3つの大規模および独立したポイントクラウドアセスメントデータセットの実験により、提案された参照PKT-PCQAネットワークが同等のパフォーマンスを向上することを示す。
  論文  参考訳（メタデータ） (2022-11-30T00:27:58Z)

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。