A Quality Assessment Framework for Learnable Volumetric Novel View Synthesis Representations

In this thesis, a new quality assessment framework is proposed for learnable volumetric Novel View Synthesis representations. The primary goal is to evaluate the robustness of state-of-the-art NVS systems under extrapolative conditions, where training views are limited to a single trajectory and do not comprehensively cover the scene. For this, a dataset is created consisting of 11,700 images on 13 object-centric scenes, which is split into multiple trajectories per scene. Using this dataset, Nerfacto, Splatfacto, and Instant-NGP-bounded models are trained, and the image quality is quantified on selected trajectories. This enables the measurement of the degradation in image quality as the spatial distance between training and evaluation views increases. This work provides new insights into the extrapolative behavior of modern NVS systems and offers a reproducible benchmark for future research.

In dieser Arbeit wird ein neuer Qualitätsbewertungsrahmen für lernbare volumetrische Novel View Synthesis Systeme eingeführt. Das primäre Ziel ist es, die Robustheit von state-of-the-art NVS Systemen in extrapolativen Szenarien zu bewerten, bei denen die Trainingsansichten auf eine einzige Trajektorie beschränkt sind und die Szene nicht vollständig abdecken. Zu diesem Zweck wurde ein Datensatz mit 11.700 Bildern aus 13 objektzentrierten Szenen erstellt, die in mehrere Trajektorien pro Szene unterteilt sind. Anhand dieses Datensatzes werden Nerfacto, Splatfacto und Instant-NGP-bounded Modelle trainiert und die Bildqualität auf ausgewählten Trajektorien quantifiziert. Auf diese Weise kann die Verschlechterung der Bildqualität mit zunehmendem räumlichen Abstand zwischen Trainings- und Bewertungsansichten gemessen werden. Diese Arbeit liefert neue Erkenntnisse über das Verhalten unter extrapolativen Bedingungen moderner NVS-Systeme und stellt eine reproduzierbare Evaluationsmethodik für zukünftige Forschung zur Verfügung.