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¶
整体框架¶
QD-PCQA 要解决的是无参考点云质量评估（NR-PCQA）标注稀缺、泛化差的问题：思路是把图像域已标注的质量先验，通过无监督域适应迁移到点云域，但迁移时要时刻保持"质量感知"。具体流程：先把 3D 点云投影到立方体六个面生成多视图图像，与自然图像统一 resize 到 \(224 \times 224\)、共享一个 ResNet-50 提特征；训练时一边用 Quality-guided Feature Augmentation（QFA）按质量分数做增强、一边用 Rank-weighted Conditional Alignment（RCA）做质量条件对齐，让源域（图像）的质量知识在质量级别一致的前提下迁到目标域（点云）。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400, 'subGraphTitleMargin': {'top': 8, 'bottom': 16}}}}%%
flowchart TD
SRC["自然图像（源域，含质量标注）"]
PC["点云（目标域）"]
PC --> PROJ["立方体六面投影<br/>→多视图图像"]
SRC --> RES["共享 ResNet-50 提特征<br/>（统一 resize 224×224）"]
PROJ --> RES
RES --> QFA
RES --> RCA
subgraph QFA["Quality-guided Feature Augmentation 质量引导特征增强"]
direction TB
Q1["质量引导风格混合 QSM<br/>高斯核按质量分数配相近样本"]
Q2["多层增强<br/>浅层配高质量、深层配低质量"]
Q3["双域增强<br/>源域多层 QSM + 目标域 SM"]
Q1 --> Q2 --> Q3
end
subgraph RCA["Rank-weighted Conditional Alignment 排序加权条件对齐"]
direction TB
R1["质量条件对齐<br/>源域真值+目标域伪标签，只对齐同质量级别"]
R2["排序加权<br/>对排序不一致样本对加大权重"]
R1 --> R2
end
QFA --> OUT["质量预测<br/>（两阶段训练：先 DANN，后引入 RCA）"]
RCA --> OUT关键设计¶
1. Quality-guided Feature Augmentation：增强时不打乱质量信息
现有方法直接套图像分类的 Style Mixup，随机混合、只在最后一层、还只增强源域，结果把质量不同的样本混到一起、又扩大了域差距。QFA 用三件事修正：其一，Quality-guided Style Mixup（QSM）不再随机配对，而是用高斯核按质量分数找相近样本
再混合风格统计量和标签 \(f_s^{\text{mix}} = \sigma(f)^{\text{mix}} \frac{f_s^i - u(f_s^i)}{\sigma(f_s^i)} + u(f)^{\text{mix}}\)，保证增强后质量一致。其二，Multi-Layer Extension 按质量分数分层施加 QSM——Stage 1 配高质量样本（浅层对低级失真更敏感）、Stage 2-3 配中质量、Stage 4 配低质量（深层捕获高级语义），利用层级互补。其三，Dual-Domain Augmentation 对源域做 QSM 多层增强、对目标域在 Stage 4 后用普通 SM，缓解只增强源域带来的不平衡，顺带加大判别器难度、逼出更鲁棒的域不变特征。
2. Rank-weighted Conditional Alignment：对齐相同质量级别，并重点纠正排序错误
普通全局对齐会把语义相似但质量不同的样本错误拉到一起。RCA 建在条件算子差异（COD）之上，但加了一个排序权重矩阵
一方面用源域真实标签和目标域伪标签作条件，只对齐相同质量级别的特征；另一方面对"预测排序与真实排序不一致"的样本对加大权重，把域迁移里的排序偏差重点掰正。
损失函数 / 训练策略¶
训练分两阶段，避免早期不可靠的伪标签污染 RCA：阶段一（前 5000 次迭代）只用 DANN 做初始特征对齐、不引入伪标签；阶段二待模型稳定后再加入 RCA，用此时较可靠的伪标签做精细对齐。总损失把质量预测、域判别、排序三项合起来
以 \(p > 0.5\) 的概率应用混合版本，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