自适应几何注意力驱动的无参考多模态点云质量评估

《ACM Transactions on Multimedia Computing, Communications, and Applications》：Adaptive Geometric Attention-Driven No-Reference Multi-Modal Point Cloud Quality Assessment

点云质量评估方法研究提出基于自适应几何注意力（AGAM）的多模态融合框架，创新性定义RDR和RRD几何描述符，通过HMAF机制实现跨模态特征互补，显著提升主观一致性并增强鲁棒性。

　　

摘要AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

点云在3D视觉媒体应用中发挥着重要作用。点云质量评估（PCQA）对于提升用户体验至关重要，但由于缺乏有效的几何特征描述，其评估结果与主观感知之间存在差异。为了解决这个问题，本文提出了一种基于自适应几何关注机制的无参考多模态点云质量评估（NR-PCQA）方法。具体来说，本文定义了两个无量纲的几何描述符：径向深度比（RDR）和相对径向距离（RRD）。这两个描述符被用来构建一个自适应几何关注机制（AGAM），该机制在特征提取过程中动态引导网络关注与几何质量相关的特征。基于AGAM，进一步构建了一个多模态融合框架，将三维几何信息与二维投影图像的纹理和语义信息结合起来，从而实现准确的点云质量评估。创造性地，设计了层次化多模态注意力融合（HMAF）机制，以充分利用3D和2D特征的互补优势：首先最大化单模态特征的提取，然后深入融合跨模态信息。实验结果在SJTU-PCQA和WPC数据库上的表现表明，AGAM和HMAF的创新设计在几何属性描述方面表现出色，实现了比现有方法更高的主观一致性。同时，所提出的方法在面对各种类型的点云畸变和多样的点云内容时表现出强大的鲁棒性，充分验证了其有效性和实用性。

AI摘要

AI生成的摘要（实验结果）

该摘要是由自动化工具生成的，并非由文章作者撰写或审核的。它旨在帮助读者发现相关内容、评估文章的相关性，并协助来自相关研究领域的读者理解本文的工作。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的官方总结。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。