QD-PCQA: Quality-Aware Domain Adaptation for Point Cloud Quality Assessment¶

会议: CVPR 2026
arXiv: 2603.03726
作者: Guohua Zhang, Jian Jin, Meiqin Liu, Chao Yao, Weisi Lin (北京交大, NTU, 北科大)
代码: 待确认
领域: 3D视觉
关键词: 点云质量评估, 无监督域适应, 质量感知特征对齐, 跨域迁移

一句话总结¶

提出质量感知域适应框架 QD-PCQA，通过 Rank-weighted Conditional Alignment 和 Quality-guided Feature Augmentation 两大策略，将图像域的质量评估先验迁移到点云域。

背景与动机¶

无参考点云质量评估 (NR-PCQA) 面临标注数据稀缺导致的泛化性问题。人类视觉系统 (HVS) 对质量的感知不依赖于媒体类型，因此可通过无监督域适应 (UDA) 将图像域已标注的质量先验迁移到点云域。然而，现有 UDA-based PCQA 方法（如 IT-PCQA）直接继承图像分类任务的特征对齐策略，忽略了质量评估的特殊性：

质量无关的特征对齐：语义相似但质量不同的样本可能被错误对齐
质量无关的特征增强：Style Mixup 随机混合不考虑质量信息
层无关的特征增强：仅在最终层做增强，忽略层级互补性
增强不平衡：仅增强源域特征，反而扩大域差距

核心问题¶

如何在域适应过程中保持质量感知——既确保特征对齐时质量级别一致，又使模型对质量排序敏感。

方法详解¶

3.1 数据预处理¶

将 3D 点云投影到立方体六个面生成多视图图像，拼接后与自然图像统一 resize 为 \(224 \times 224\)，共享 ResNet-50 特征提取器。

3.2 Quality-guided Feature Augmentation (QFA)¶

QFA 由三个模块组成：

Quality-guided Style Mixup (QSM)：不同于随机 Style Mixup，使用高斯核按质量分数匹配候选样本对：

\[P((x_s^{i^*}, y_s^{i^*}) | (x_s^i, y_s^i)) \propto \exp\left(-\frac{(y_s^i - y_s^{i^*})^2}{2\tau^2}\right)\]

配对后，混合特征的风格统计量（均值/方差）和标签：

\[f_s^{\text{mix}} = \sigma(f)^{\text{mix}} \frac{f_s^i - u(f_s^i)}{\sigma(f_s^i)} + u(f)^{\text{mix}}\]

确保增强后的特征保持质量一致性。

Multi-Layer Extension 模块：根据质量分数分层应用 QSM： - Stage 1 → 高质量样本（浅层对低级失真更敏感） - Stage 2-3 → 中质量样本 - Stage 4 → 低质量样本（深层捕获高级语义）

Dual-Domain Augmentation：对源域使用 QSM multi-layer 增强，对目标域在 Stage 4 后使用普通 SM，缓解增强不平衡问题，增加判别器难度，迫使特征提取器学习更鲁棒的域不变特征。

3.3 Rank-weighted Conditional Alignment (RCA)¶

构建于条件算子差异 (COD) 之上，引入排序权重矩阵：

\[\tilde{\mathbf{K}}_X^{st}(i,j) = k(f_s^i, f_t^j) \cdot (1 + \mathbf{W}^{st}(i,j))\]

\[\mathbf{W}^{st}(i,j) = \max\big(0, -(\hat{y}_s^i - \hat{y}_t^j) \cdot \text{sign}(y_s^i - y_t^j)\big)\]

质量条件对齐：使用源域真实标签和目标域伪标签作为条件，对齐相同质量级别的特征
排序加权：对预测排序与真实排序不一致的样本对赋予更高权重，重点纠正排序偏差

3.4 两阶段训练¶

阶段一（前 5000 次迭代）：仅使用 DANN 进行初始特征对齐，不使用伪标签
阶段二：引入 RCA，利用已稳定的模型生成可靠伪标签进行精细对齐

总损失¶

\[\mathcal{L}_{\text{all}}^{\text{mix}} = \lambda_1 \mathcal{L}_P(\hat{y}_s^{\text{mix}}, y_s^{\text{mix}}) + \lambda_2 \mathcal{L}_D(f_s^{\text{mix}}, f_t^{\text{mix}}) + \lambda_3 \mathcal{L}_R(y_s, y_t, f_s, f_t)\]

以 \(p > 0.5\) 概率应用混合版本，否则用原始版本。

实验关键数据¶

方法	模式	TID2013→SJTU-PCQA PLCC	SROCC	TID2013→WPC PLCC	SROCC
No Adapt	I-to-PC	0.548	0.444	0.320	0.296
DANN	I-to-PC	0.596	0.512	0.325	0.296
IT-PCQA	I-to-PC	0.693	0.636	0.429	0.403
COD	I-to-PC	0.712	0.611	0.426	0.396
QD-PCQA	I-to-PC	0.842	0.753	0.563	0.572

方法	KADID→SJTU-PCQA PLCC	SROCC	KADID→WPC PLCC	SROCC
IT-PCQA	0.703	0.641	0.432	0.402
QD-PCQA	0.843	0.724	0.553	0.534

QD-PCQA 在 SJTU-PCQA 上超越 IT-PCQA 约 21%（PLCC）

亮点¶

质量感知贯穿全流程：从特征增强到特征对齐均以质量分数为引导
分层增强设计合理：利用不同层对不同质量级别的互补敏感性
排序加权机制：关注"排序不一致"的难样本对，精准纠正域迁移中的排序偏差
两阶段训练：避免早期不可靠伪标签对 RCA 的负面影响

局限与展望¶

点云投影为六个正交视图可能丢失 3D 结构信息
伪标签质量依赖第一阶段模型水平，可探索更好的伪标签生成策略
仅在 SJTU-PCQA 和 WPC 两个点云数据集验证，规模有限
质量分层使用固定分位数（33%/67%），可探索自适应分层

与相关工作的对比¶

vs IT-PCQA：IT-PCQA 仅用 DANN 做全局对齐，忽略质量条件；QD-PCQA 加入质量条件对齐 + 排序加权
vs StyleAM：StyleAM 引入 SM 但随机混合不考虑质量；QD-PCQA 用 QSM 保持质量一致性
vs COD：COD 条件对齐但等权处理所有样本对；QD-PCQA 强调排序偏差样本

启发与关联¶

质量感知域适应的思路可推广到其他回归型跨域任务（如跨域年龄估计、跨域评分预测）
分层特征增强的设计对多尺度特征的利用有普适性启示
排序敏感的权重策略可结合 Learning-to-Rank 思路进一步发展

评分¶

新颖性: ⭐⭐⭐⭐ — 质量感知域适应在 PCQA 领域是有意义的创新
实验充分度: ⭐⭐⭐ — 数据集偏少，缺乏大规模点云数据集验证
写作质量: ⭐⭐⭐⭐ — 问题定义清晰，模块动机充分
价值: ⭐⭐⭐⭐ — 提供了 PCQA 泛化性的新思路