用感知聚类加权图和注意力融合，无参考评估点云质量

Point Cloud Quality Assessment Using the Perceptual Clustering Weighted Graph (PCW-Graph) and Attention Fusion Network

• 构建感知聚类加权图捕捉点云结构特征
• 融合多尺度特征，使评分与人眼感知高度一致
• 适合实时3D内容质检，尤其移动端应用

无参考点云质量评估（NR-PCQA）在真实场景中至关重要，因参考模型往往不可用。本文提出一种基于感知聚类加权图（PCW-Graph）与注意力融合网络的新型评估方法。首先通过感知聚类加权图建模点云的空间分布与几何结构，提取多粒度特征；随后设计注意力融合网络，动态加权不同层级的特征表示，增强对视觉显著区域的敏感性。在多个公开数据集（如PCQAM、PCCQA）上的实验表明，该方法在相关性（SROCC）上达到0.921，优于现有主流方法。结果证明其在无参考条件下能有效逼近人眼主观评分。

原文摘要 · Abstract (English)

No-Reference Point Cloud Quality Assessment (NR-PCQA) is critical for evaluating 3D content in real-world applications where reference models are unavailable.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。