本文介紹了一個名為3DGCQA的3D人工智能生成內容(3DGC)質量評估數據集。該數據集由以下部分組成:
選取50個不同類型的提示詞,涵蓋工具、車輛、植物、食物、動物、家具、建築物、人物、服飾和雕塑等10個類別。
使用7種代表性的文本到3D生成方法,基於這些提示詞生成了313個3DGC。記錄了每種方法的成功生成率和生成時間。
通過可視化分析,發現生成的3DGC存在6種常見的失真類型,包括多面體重複、深度錯誤、粗糙度、錯位、幾何損失和幾何冗餘。
進行主觀質量評估實驗,邀請40名參與者評估3DGC在與提示詞的一致性和整體質量兩個維度上的表現。結果顯示,不同生成方法和不同類型提示詞之間存在顯著的質量差異。
在3DGCQA數據集上測試了8種常用的客觀質量評估算法,結果表明現有方法在評估3DGC質量方面存在局限性,需要開發更專門的評估方法。
總的來說,本文提出的3DGCQA數據集為未來3D生成技術的發展和質量評估提供了寶貴的參考。
翻譯成其他語言
從原文內容
arxiv.org
深入探究