每个视图都很重要：多视图全景分割的视图一致的全景质量

多视图全景分割将语义类和场景级实例 ID 分配给无序图像集的每个像素，并且最近的前馈 3D 模型在单个前向传递中预测输入视图的这些标签。然而，他们的预测是使用从每个场景优化方法借用的场景级 PQ (PQ^scene) 进行评估的，通常是在渲染的留出视图上。 PQ^scene 将场景的所有视图平铺到单个图像中，因此错过的出现或 ID 的更改只会按照其面积的比例降低匹配对的分数。我们提出视图一致全景质量（VC-PQ），它将 PQ 从单个图像扩展到一组输入视图，对实例可见的每个视图进行同等计数，并惩罚在与其真实值相同的视图中不可见的预测。 VC-PQ 的分解将方法损失的分数归因于掩模准确性、视图一致性和匹配阈值。单个附加参数恢复平铺的面积权重以进行比较。在 ScanNet++ 和 ScanNetv2 的固定评估协议下，使用 VC-PQ 和 PQ^scene 评估最近的前馈方法，并且分解显示了它们中的每一个在哪里失去了分数。对真实情况的受控扰动表明 VC-PQ 响应实例丢失或更改 ID 的视图数量，而 PQ^scene 响应其区域。这项工作的目的是使视图一致性成为多视图全景分割评估的一部分，同时报告 VC-PQ 和 PQ^scene。