PointQ-Bench：基准诊断和可解释的点云质量评估

点云质量在 3D 采集、重建、渲染和感知中起着至关重要的作用，但现有的点云质量评估 (PCQA) 研究仍然主要集中在标量分数预测上。在实际检查场景中，质量评估通常涉及识别缺陷、描述主要问题类型、评估下游可用性以及提供有证据支持的描述，而当前的基准并未明确评估这些内容。我们推出了 PointQ-Bench，这是一个基准测试，旨在将 PCQA 从标量评分扩展到全面的质量理解。 PointQ-Bench 由 3,083 个点云组成，涵盖真实扫描、模拟扭曲和人工智能生成的内容，涵盖八种主要问题类型。每个样本都注释有平均意见得分 (MOS)、质量级别、问题标签、基于专家的描述和 12,332 个问答对。该基准支持三种面向感知的任务：异常感知、缺陷诊断和可用性分级，以及开放式质量报告的面向认知的任务。为了评估自由形式的质量描述，我们进一步提出了 SSFRQ-5D，这是一种通过人类-人工智能协议分析验证的五维评估协议。对 14 种视觉语言模型和传统 PCQA 基线的广泛实验揭示了一致的感知诊断差距：虽然当前模型在粗略缺陷感知方面表现出新兴能力，但它们在基础诊断和质量校准方面遇到了困难。强大的 2D MLLM 通常优于现有的 3D VLM，并且附加视图或点级输入的好处是不均匀的，随着任务、数据源和模型的不同而变化，特别是在边界模糊的条件下。总体而言，PointQ-Bench 提供了一个诊断测试平台，用于推进可靠且可解释的点云质量理解。