[論文レビュー] BASICS: Broad quality Assessment of Static point clouds In Compression Scenarios

Ali Ak, Emin Zerman+5 more|arXiv (Cornell University)|Feb 9, 2023

3D Shape Modeling and Analysis被引用数 6

ひとこと要約

本論文では、学習ベースの手法を含む多様なシナリオ下での静的ポイントクラウドの圧縮に関する、大規模で公開可能な主観的品質評価データベースであるBASICSを紹介する。これにより、最先端の品質メトリクスのベンチマークが可能となり、特にGeoCNN圧縮による新しい歪みにおいて、PCQMが他のメトリクスを著しく上回り、人間の知覚を予測する能力に優れていることが明らかになった。

ABSTRACT

Point clouds have become increasingly prevalent in representing 3D scenes within virtual environments, alongside 3D meshes. Their ease of capture has facilitated a wide array of applications on mobile devices, from smartphones to autonomous vehicles. Notably, point cloud compression has reached an advanced stage and has been standardized. However, the availability of quality assessment datasets, which are essential for developing improved objective quality metrics, remains limited. In this paper, we introduce BASICS, a large-scale quality assessment dataset tailored for static point clouds. The BASICS dataset comprises 75 unique point clouds, each compressed with four different algorithms including a learning-based method, resulting in the evaluation of nearly 1500 point clouds by 3500 unique participants. Furthermore, we conduct a comprehensive analysis of the gathered data, benchmark existing point cloud quality assessment metrics and identify their limitations. By publicly releasing the BASICS dataset, we lay the foundation for addressing these limitations and fostering the development of more precise quality metrics.

研究の動機と目的

• 圧縮におけるポイントクラウド品質を評価するための、多様で一貫性がありスケーラブルな主観的データベースの不足に対処すること。
• 学習ベースのポイントクラウド圧縮および品質評価手法の開発と評価を支援すること。
• 標準化された一貫性のある公開可能なデータセットを提供し、レンダリングとボクセル化座標を正規化することで、信頼性の高いベンチマークを可能にすること。
• 複数の圧縮アルゴリズムと意味的コンテンツをカバーする大規模なクラウドソーシング研究を可能にすること。
• 特に学習ベースのコーデックから生じる新しい歪みに対処する際の、既存の客観的品質メトリクスの限界を特定すること。

提案手法

• 著者らは、75の意味的に意味のある3次元ポイントクラウドのデータベースを構築し、それぞれを4つのコーデック（GPCC、VPCC、GeoCNN、およびベースライン）で圧縮した。
• すべてのポイントクラウドは10ビット量子化によるボクセル化が行われ、座標の一貫性を確保するとともに、立方体ボクセルを用いた安定的でフレアのないレンダリングを可能にした。
• 3,500人を超える初心者被験者を対象とした大規模なクラウドソーシング研究を実施し、処理済みポイントクラウドのペアを比較するサイド・by・サイド（DSIS）の主観的テスト法を用いて評価を行った。
• 平均意見スコア（MOS）が収集され、Tukeyの Honest（Tukey’s Honest）統計的検定を用いてペアを「類似」または「異なる」と分類し、順序に基づいてさらに「より良い」または「より悪い」と分類した。
• データセットを用いて、点ベースおよびレンダリングベースの両方のアプローチを含む40の最先端の客観的品質メトリクスをベンチマークした。
• 性能は、「異なる vs 類似」と「より良い vs より悪い」という分類タスクにおけるAUCと正しく分類された率（CC）を用いて定量評価された。

実験結果

リサーチクエスチョン

• RQ1 大規模で多様かつ一貫性のある主観的データベースは、学習ベースのポイントクラウド圧縮手法の評価を改善できるか？
• RQ2 既存の客観的品質メトリクスは、GeoCNNのような学習ベースのコーデックによって生じる歪みを、人間の知覚にどれほど正確に予測できるか？
• RQ3 現在のメトリクスは、圧縮されたポイントクラウドにおける知覚的に顕著な差をどれほど正確に区別できるか？
• RQ4 データセットの一貫性（例：ボクセル化、レンダリング）は、品質評価研究の信頼性にどの程度影響を与えるか？
• RQ5 標準化され、公開可能なデータベースは、今後のポイントクラウド品質評価のベンチマーク基盤として機能できるか？

主な発見

• BASICSデータベースは、75の元データポイントクラウドを含み、それぞれが4つのバージョンに圧縮され、合計1,494の処理済みポイントクラウドと3,600件を超える主観的評価が得られた。
• 14,143件のペアワイズ比較のうち、9,124件が統計的に有意であり、そのうち4,075件が「より良い」と、5,049件が「より悪い」と分類された。
• PCQMは、「異なる vs 類似」と「より良い vs より悪い」という両分類タスクで最高のAUC値を達成し、後者のタスクではADM2を除き、他のすべてのメトリクスを著しく上回った。
• 大多数の既存メトリクスはGPCCおよびVPCCの歪みに対しては良好に機能するが、GeoCNNによる品質劣化の評価には正確に機能せず、現在のメトリクス設計における深刻なギャップが示された。
• 本研究は、過去のデータセットにおけるレンダリングの不一致および正規化の欠如が信頼性を損なうことを確認し、今後のデータベースにおいて標準化の重要性を強調した。
• データベースはCC BY-NC-SA 4.0の下で公開されており、ICIP 2023グランドチャレンジが終了後、完全にアクセス可能となる。