发展3D网格质量技术，挑战和建议

随着6G时代的出现，对内容消耗的消费需求大大增加，颤抖内容的呈现将直接影响用户的体验。其中，作为主要数据形式，网格质量的质量一直是确保用户体验VR/AR和Metaverse等应用程序的关键。该报告正在系统地研究网格质量评估面临的当前发展状态和关键挑战，包括数据集不足，研究困难审查动态/AIGC内容以及缺乏标准。为了应对这些问题，该报告将进一步探讨不断发展的建议，该建议旨在促进内容质量的技术检查的发展，并促进Airyou -yyou -this应用的空气生态系统的健康发展。随着6G时代的出现，开发网格质量考试的当前状态，传输内容消耗的需求有INCREASED急剧以及虚拟现实（VR），扩大现实（AR）和Metaverse usher等企业在快速发展中。其中，基于顶点，连接的边缘和连接面的三维对象的网格（网格）模型是巨大内容的数据表达的主要形式，其质量直接决定了模型表现的影响。但是，由于开发网格模型数据的不同方式（例如3D，算法更改，Manu模型等），数据质量是不平衡的，并且存在一些问题，例如几何扭曲结构，缺失或信息缺陷的纹理和拓扑错误，这直接影响用户的传输体验和质量质量纹理。因此，建立系统和客观的网格质量评估（MQA）方法尤其重要。拥有MQA的目标和准确的功能不仅有助于衡量网格模型性能的质量，而且还提供了重要的支持ORT用于优化内容制造过程并改善用户的体验。目前，MQA的发展已经经历了许多阶段，并且技术路线和研究的重点不断出现，如下所示：1阶段：在MQA开发的第一阶段，几何结构检查的初始阶段，专注于检查主要集中于网格模型的几何结构的质量。在此阶段，该行业已经建立了点云或没有纹理网格模型数据测试数据集[5]。评估方法包括基于几何参数（例如顶点坐标和正常角度）的几何结构的质量，或使用神经网络来计算模型的正交性和平滑性。第2阶段：网格颜色模型和评论质量渲染的评论在颜色网格颜色数据逐渐流行时，该行业构建了质量评论数据包含蛋白G纹理信息[4]并发布了基准测试。基于几何质量，研究已开始关注渲染图像的主观审查的主观质量。一种典型的方法是从许多角度将网格模型从图像和图像质量评估方法渲染结果中，以衡量模型的整体性能。阶段3：带有参考模型的阶段分析阶段。通过广泛使用网格模型数据，例如压缩和交付等应用程序方案，此阶段主要集中在处理过程中模型产生的失真上。该行业通过对原始网格模型的人工失真和发布相关的数据商标集进行人工失真来设置参考数据集[1] [2]。评估方法主要是从原始模型和失真模型中提取特征，计算其差异以及基于t的质量损失水平的判断他的体积结果。阶段4：随着AIGC技术的快速开发，AIGC驱动的评估需求的新兴阶段，网格生成方法（例如文本到3D和图像到3D）已经出现。 3D Wensheng工具已使用Fudan University和Shanghai人工智能实验室等机构的机构进行数据制造。为了应对AIGC数据质量评估的挑战，该行业为AIGC输出建立了网格质量审核数据[3]。因为除了传统的几何结构和渲染质量的评估之外，此类数据不是来自现实世界的采样，还需要考虑其他指标，例如几何理性，几何细节准确性以及文本/图像和3D模型之间的一致性。目前，朝这个方向的考试技术的质量仍处于童年状态，Siresearch试图介绍诸如语义一致的判断基础NCY可以提高分析的完整性和智能。此外，开放的社区资源和标准化组织（例如MPEG和IEE）越来越关注MQA开发，并积极促进公共数据集的构建和评估协议的标准化。随着更多机构的参与，该行业有望逐步发展和促进传播内容制造的标准化和标准化。网格模型质量分析挑战高质量的MQA数据集的数量不足。与2D数据和视频视频相比，MQA数据的质量集仍然有点困难。这主要受三个因素的限制：首先，Pagphotographing和建模很昂贵，它需要高精度扫描设备和专业软件建模以及对人类硬件和强度的大量投资；其次，质量检查涉及许多维度，例如几何学结构和纹理细节。手动注释不仅是时间和密集的劳动，而且很容易受到主观因素的影响，并且不同的审阅者之间存在明显的偏差。最后，现有的基本开放源数据[1]〜[5]主要集中在3D采集和技术建模上，并且仍然缺乏AI生成的内容（例如AIGC）的数据资源，从而在一般和有限的交叉域活动中产生了脆弱的能力。尚未解决检查订单遵循网格模型和AIGC内容质量的困难。当前，MQA研究主要集中在发现网格静态模型上，而对网格模型的动态推导分析的质量和生成的AIGC含量仍然不够。在常见的应用程序（例如VR/AR，Metaverse和Digital Twins）中，暴露于用户的3D内容经常更改，并且通常没有比较BLE现实参考。网格模型的动态敌人的质量以及AI产生的内容质量直接影响用户的体验。对于网格模型的动态序列，除了考虑基本的几何结构外，质量检查还具有技术困难，例如评估模型运动的自然性，框架间转移的一致性和功夫视觉疲劳的连贯性是由长期视图引起的。目前尚无研究和解决方案的有效结果。对于AIGC生成的网格模型，AI生成可能存在潜在的问题，例如AI发电引起的不合理结构和不平坦的语义。问题：几何和纹理检查的传统方法很难有效地看到这种质量缺陷。迫切需要通过合理的判断和语义理解能力来开发新的评估方法。缺乏团结而全面的印象RY标准。目前，MQA行业缺乏标准。尽管MPEG开始关注此问题，并为动态网格模型数据压缩和失真评估进行了标准配方，但主要依赖原始模型作为参考的概述方法的那些方法，并使用PSNR等传统指标来计算质量损失。 “引用”评估方法具有明显的局限性：依靠原始模型作为参考，不可能独立评估网格模型本身的质量，并且很难有效地计算模型的主观值得注意的质量。网格质量评估的开发表明，我们必须继续开发专业的MQA数据集。为了解决MQA数据不足的问题，我们必须继续开发高质量的MQA数据集。集成 - 包括其静态，动态和AIGC属性，数据i的完整性和可靠性通过各种收集方法和系统过程NG注释确保了S。对于静态内容，可以根据专业建模软件或开放数据库资源来收集它，以涵盖各种复杂性和应用程序方案；动态内容需要获取包含运动或4D扫描技术的不同运动模式的订单数据，并模仿时间段失真（例如框架间抖动，运动模糊等），这些数据可能会在实际应用中发生以增强数据代表性。对于AIGC内容，应在数据构建过程中确保生成的参数的差异（提示单词/提示图像类别，步骤 - 步骤步骤，随机种子设置等），以及数据分布的范围以及一般分析的范围。 Indata标记过程，必须包括客观体积指标，例如几何精度和拓扑结构，并收集专家A的MOS和语义匹配纳尔分析或众包平台的帮助，以完全反映人类的视觉理解。为了提高数据集的实用性，还必须在学者与行业之间引入共同合作，以打破行业偏差并促进各种研究团队的水平使用。网格模型的动态顺序和AIGC内容质量回顾的想法在检查网格模型的质量时，可以从二维进行评估：人类眼感知的时空时间和特征的一致性。为了响应这两个维度的问题，可以设置相关的质量评估指标，例如：在框架间转移期间发现平滑度以确定拓扑结构变化的一致性，以及使用预期的视频质量审查以实现渲染渲染的质量。在评估AIGC生成模型的质量时，可以区分From模型和propt之间的匹配级别。可以通过多视图描述获得一段文本，并与propt文本匹配，以执行匹配大小的识别质量。此外，可以引入跨学科方法，将知识集成到计算机图形，结构力学，科学和运动考试中，以帮助发展准确的MGSA结构合理性分析能力。积极促进MQA标准工作，生成统一的标准，并共存该行业的商业和大学标准，以满足质量审查要求，这些要求发展了AIGC的AIGC内容的快速增长，而AIGC的AIGC内容缺乏原始参考模型将促进建立标准审查方法。相关研究的优先级包括：1）指数评估指数的多维质量的发展； 2）探索没有参考条件的质量考试计划； 3）研究方法用于电网模型的动态装饰。标准工作的进步将进一步改善标准系统，以提高AI生成的3D内容的预览质量，为新兴应用的健康开发（例如Metavers和Digital Twins）提供技术参考，并促进3D内容行业质量的标准化。