최근 Gaussian Splatting(GS) 압축 분야의 발전으로 GS 모델 크기를 크게 줄일 수 있게 되었다. 따라서 압축 기법을 비교하고 더 효율적인 GS 코덱 개발을 이끌기 위해서는 신뢰할 수 있는 객관적 품질 평가가 필수적이다. 기존의 GS 품질 평가는 일반적으로 이미지 및 비디오 품질 메트릭에 의존하며, 사전에 정의된 시점(viewpoint)을 렌더링해야 하고 그 결과 품질 추정치가 선택된 시점에 의존하게 된다. 본 논문은 GS 매개변수 도메인에서 직접 동작하는, 사후 학습(post-training) GS 압축을 위한 새로운 완전 참조(full-reference) 품질 메트릭인 GS-PQM을 제안한다. GS-PQM은 지지 벡터 회귀(Support Vector Regression) 모델을 사용하여 일련의 매개변수 도메인 왜곡 오차로부터 지각적 품질을 추정한다. 실험 결과, GS-PQM은 압축된 GS 콘텐츠를 평가하는 데 있어 기존의 25개 이미지, 비디오, 포인트 클라우드 품질 메트릭을 능가하는 성능을 보이며, 렌더링 기반 품질 평가에 대한 정확하고 계산적으로 효율적인 대안을 제공한다.
포인트의 비정형 및 불규칙한 특성은 정확한 포인트 클라우드 품질 평가(PCQA)에 있어 중요한 도전 과제를 야기하며, 특히 정확한 지각적 특징 대응(correspondence)을 설정하는 데 있어 그렇습니다. 이를 해결하기 위해 우리는 멀티스케일 암시적 구조 유사성 측정(MS-ISSM)을 제안합니다. 기존의 점 대 점 매칭과 달리, MS-ISSM은 방사 기저 함수(RBF)를 활용하여 국소 특징을 연속적으로 표현하며, 왜곡 측정을 암시적 함수 계수의 비교로 변환합니다. 이 접근 방식은 불규칙한 데이터에 내재된 매칭 오류를 효과적으로 회피합니다. 또한, 우리는 멀티스케일 특징 차이를 지각 점수로 강건하게 매핑하는 ResGrouped-MLP 품질 평가 네트워크를 제안합니다. 네트워크 아키텍처는 잔차 블록과 채널별 어텐션(attention) 메커니즘과 통합된 그룹화된 인코딩 전략을 채택하여 기존의 평탄한 다층 퍼셉트론(MLP)에서 탈피했습니다. 이러한 계층적 설계는 모델이 고(High), 중(Medium), 저(Low) 스케일에 걸쳐 가장 두드러진 왜곡 특징에 적응적으로 집중하면서 휘도, 색도 및 기하학의 고유한 물리적 의미를 보존할 수 있게 합니다. 여러 벤치마크에 대한 실험 결과, MS-ISSM이 신뢰성과 일반화 측면 모두에서 최첨단 메트릭을 능가함을 입증합니다. 소스 코드는 다음에서 확인할 수 있습니다: https://github.com/ZhangChen2022/MS-ISSM.