무감독 진행형 도메인 적응을 통한 무참조 포인트 클라우드 품질 평가

초록

본 논문은 소스 도메인에 라벨이 있는 상태에서 타깃 도메인에 라벨이 없는 경우, 포인트 클라우드 품질을 정확히 예측하도록 설계된 최초의 무감독 진행형 도메인 적응(UPDA) 프레임워크를 제안한다. 두 단계의 점진적 정렬 전략인 거친 수준의 정렬(DACA)과 미세 수준의 정렬(PFFA)을 통해 도메인 간 품질 관계와 품질 민감 특징을 효과적으로 이전한다. 실험 결과, 기존 무참조 PCQA 모델들의 교차 도메인 성능을 크게 향상시켰으며, 코드가 공개되어 재현 가능성을 확보하였다.

상세 분석

본 연구는 포인트 클라우드 품질 평가(PCQA) 분야에서 도메인 간 분포 차이, 즉 도메인 쉬프트 문제를 해결하기 위해 무감독 진행형 도메인 적응(UPDA)이라는 새로운 패러다임을 도입한다. 기존의 무참조 PCQA 모델은 소스 도메인에서 충분한 라벨링 데이터를 필요로 하지만, 실제 서비스 환경에서는 타깃 도메인의 라벨이 거의 존재하지 않는다. 이러한 상황에서 단일 단계의 전역 정렬 방식은 복잡한 3D 구조와 다양한 왜곡 유형을 충분히 반영하지 못한다는 한계가 있다.

UPDA는 두 단계로 구성된다. 첫 번째 단계인 “Discrepancy‑aware Coarse‑grained Alignment(DACA)”에서는 품질 차이를 인식한 하이브리드 손실을 설계한다. 구체적으로, 쌍별 상대 품질 관계를 학습하기 위한 순위 손실과 도메인 간 분포 차이를 최소화하는 MMD 손실을 결합한 ‘품질‑불일치 인식 손실’을 도입한다. 이 손실은 품질 차이가 큰 샘플 쌍에 더 큰 가중치를 부여함으로써, 절대적인 특징 정렬이 어려운 상황에서도 신뢰할 수 있는 상대적 순위 정보를 전달한다.

두 번째 단계인 “Perception Fusion Fine‑grained Alignment(PFFA)”에서는 정밀한 절대 품질 점수 예측을 목표로 한다. 여기서는 대칭형 특징 융합 모듈을 통해 소스와 타깃 도메인에서 공통적으로 나타나는 품질‑민감 특징을 강조한다. 이후 조건부 판별기(Conditional Discriminator)를 도입해, 품질과 직접 연관된 특징만을 선택적으로 정렬하도록 한다. 조건부 판별기는 입력 특징과 현재 예측 점수를 함께 고려함으로써, 품질과 무관한 잡음 특징이 정렬 과정에 방해되지 않게 한다.

학습 과정은 전체 손실 L = L_Q + λ1·L_MMD + λ2·L_rank + λ3·L_conditional 으로 구성되며, 여기서 L_Q는 소스 도메인에서의 회귀 손실, L_MMD는 전역 분포 정렬, L_rank는 DACA 단계의 순위 손실, L_conditional은 PFFA 단계의 조건부 판별 손실을 의미한다. λ 파라미터들은 단계별 중요도를 조절한다.

실험에서는 대표적인 무참조 PCQA 모델인 MM‑PCQA, GMS‑3DQA, 3DTA 등을 베이스라인으로 사용하고, 각각에 UPDA를 적용하였다. 소스 도메인으로는 SJTU‑PCQA, 타깃 도메인으로는 WPC를 선택했으며, MOS가 없는 타깃 데이터에 대해 라벨 없이 학습하였다. 결과는 모든 베이스라인 모델에서 평균 퍼셙션 스코어(PLCC, SRCC)가 크게 향상되었으며, 특히 품질 차이가 큰 샘플에서의 정밀도가 눈에 띄게 개선되었다. 추가적인 Ablation Study를 통해 DACA의 품질‑불일치 인식 손실과 PFFA의 대칭형 융합·조건부 판별기가 각각 독립적으로 성능 향상에 기여함을 확인하였다.

핵심 기여는 (1) 포인트 클라우드 전용 무감독 도메인 적응 프레임워크를 최초로 제시한 점, (2) 상대 품질 관계를 활용한 거친 수준 정렬 기법과 품질‑민감 특징을 선택적으로 정렬하는 미세 수준 정렬 기법을 설계한 점, (3) 기존 모델 구조를 그대로 유지하면서 학습 단계만 추가함으로써 실무 적용성을 높인 점이다.