From Far and Near: Perceptual Evaluation of Crowd Representations Across Levels of Detail
作者: Xiaohan Sun, Carol O'Sullivan
分类: cs.CV, cs.GR, cs.HC
发布日期: 2025-10-23
💡 一句话要点
研究不同细节层次下人群表征的感知质量，优化人群渲染策略。
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 人群渲染 细节层次 感知评估 用户研究 神经辐射场
📋 核心要点
- 现有的人群渲染方法在视觉质量和计算性能之间存在权衡，难以兼顾。
- 通过感知实验评估不同细节层次和观看距离下人群表征的视觉质量。
- 实验结果为设计感知优化的人群渲染细节层次策略提供了指导。
📝 摘要（中文）
本文研究了用户在不同细节层次（LoD）和观看距离下对人群角色表征的视觉质量的感知。几何网格、基于图像的替身、神经辐射场（NeRFs）和3D高斯等不同表征在视觉保真度和计算性能之间表现出不同的权衡。我们的定性和定量结果为指导人群渲染的感知优化LoD策略的设计提供了见解。
🔬 方法详解
问题定义：论文旨在解决人群渲染中，如何在不同观看距离和细节层次下，选择合适的角色表征方式，以达到最佳的视觉质量和计算效率的平衡问题。现有方法通常依赖于启发式规则或经验，缺乏对用户感知的主观评估，导致渲染效果不佳或计算资源浪费。
核心思路：核心思路是通过用户感知实验，量化不同细节层次（LoD）的人群表征在不同观看距离下的视觉质量。通过分析实验数据，可以了解用户对不同表征方式的偏好和敏感度，从而指导LoD策略的设计，实现感知优化的人群渲染。
技术框架：论文采用用户研究的方法，主要流程包括：1) 设计实验场景和人群表征方式（几何网格、基于图像的替身、NeRFs、3D高斯）；2) 招募实验参与者，让他们在不同观看距离下评估不同表征的视觉质量；3) 收集主观评分数据，并进行统计分析；4) 基于分析结果，提出感知优化的LoD策略建议。
关键创新：关键创新在于将用户感知纳入人群渲染的优化过程中，通过实验数据驱动LoD策略的设计。与传统方法相比，该方法更注重用户的实际体验，能够更有效地提升人群渲染的视觉质量。
关键设计：实验中，关键设计包括：1) 选择具有代表性的人群表征方式，覆盖不同的视觉质量和计算复杂度；2) 控制观看距离，模拟不同场景下的观看体验；3) 设计合理的主观评分量表，量化用户的感知；4) 采用适当的统计分析方法，提取有意义的结论。
📊 实验亮点
论文通过用户实验，量化了不同细节层次的人群表征在不同观看距离下的视觉质量。实验结果表明，NeRFs和3D高斯在近距离观看时表现出更高的视觉质量，但在远距离观看时，基于图像的替身可能更具优势。这些发现为设计感知优化的人群渲染策略提供了重要依据。
🎯 应用场景
该研究成果可应用于电影、游戏、虚拟现实等领域的人群渲染。通过感知优化的LoD策略，可以在保证视觉质量的前提下，降低计算成本，提高渲染效率，从而提升用户体验。未来，该研究可以扩展到更复杂的人群行为和场景，实现更逼真、更高效的人群渲染。
📄 摘要（原文）
In this paper, we investigate how users perceive the visual quality of crowd character representations at different levels of detail (LoD) and viewing distances. Each representation: geometric meshes, image-based impostors, Neural Radiance Fields (NeRFs), and 3D Gaussians, exhibits distinct trade-offs between visual fidelity and computational performance. Our qualitative and quantitative results provide insights to guide the design of perceptually optimized LoD strategies for crowd rendering.