每个视图都重要：用于多视图全景分割的视图一致全景质量

基于摘要分析。该研究针对多视图全景分割中场景级指标可能弱化跨视图实例遗漏与 ID 变化影响的问题，提出 View-Consistent Panoptic Quality（VC-PQ），将单图像 PQ 扩展至输入视图集合，使实例可见的各个视图获得同等计数权重。 多视图全景分割需要为无序图像集合中的每个像素赋予语义类别及场景级实例 ID。摘要指出，近期前馈式 3D 模型可一次前向预测输入视图的标签，但通常沿用逐场景优化方法的 PQ^scene，并在渲染得到的留出视图上评估。PQ^scene 将场景内全部视图拼成一张图，因此实例在某个视图中被遗漏或发生 ID 变化，对匹配对分数的影响与其面积相关，未直接体现受影响的视图数量。 VC-PQ 对预测实例与真值实例可见视图不一致的情况施加惩罚。其分解将分数损失归因于掩码精度、视图一致性及匹配阈值；另外引入一个参数，可恢复拼接评估的面积加权方式以便比较。具体公式、参数取值和匹配实现尚未验证。 作者报告，在 ScanNet++ 和 ScanNetv2 的固定评估协议下，以 VC-PQ 和 PQ^scene 评估近期前馈方法，并利用指标分解分析各方法的失分来源。作者报告，对真值进行受控扰动时，VC-PQ 会响应实例遗漏或 ID 变化涉及的视图数量，而 PQ^scene 会响应这些变化对应的面积。摘要未提供具体分数、方法名单或划分细节，实验协议、消融及统计信息尚未验证。 该工作的贡献是补充多视图一致性的评价维度，而非提出新的分割模型；作者主张将 VC-PQ 与 PQ^scene 并列报告。复现需核对实例可见性定义、跨视图匹配与阈值规则、受控扰动方式，以及两项指标是否在相同视图集合上计算。材料未提供 EEG 或 BCI 验证，不将其视觉任务结果外推为 BCI 效果。