Métrica de Evaluación Sin Referencias para la Edición de Formas 3D de Grano Fino

Evaluar la calidad de la edición de formas 3D de grano fino, como ajustar la longitud del techo de un vehículo o la distancia entre ejes, es esencial para evaluar modelos generativos, pero sigue siendo un desafío. La mayoría de las métricas existentes dependen de regresores auxiliares o evaluaciones humanas a gran escala, lo que puede introducir sesgos, reducir la reproducibilidad y aumentar el costo de evaluación. Para abordar estos problemas, se propone una métrica sin referencia para evaluar la edición de formas 3D de grano fino. El método se basa en la Suposición de Suficiencia de Atributo Rico (RASA), que postula que cuando un conjunto de atributos geométricos es suficientemente completo, los modelos con el mismo vector de atributos deberían exhibir formas casi idénticas. Siguiendo esta suposición, el propio conjunto de datos sirve como una fuente de validación: cada modelo fuente se edita para coincidir con un pequeño conjunto de vectores de atributos objetivo, y la similitud posterior a la edición con respecto a los objetivos refleja la precisión y estabilidad del editor. Se definen indicadores reproducibles, incluido la similitud media, la variación entre objetivos y la calibración con respecto a la distancia de atributos. La validación empírica demuestra la efectividad de la métrica propuesta, mostrando aproximadamente un 9% de degradación bajo perturbaciones semánticas y menos del 2% de variación entre diferentes configuraciones de muestreo de objetivos, confirmando tanto su sensibilidad discriminativa como robustez. Este marco proporciona un punto de referencia de bajo costo y sin regresor para la edición de grano fino y establece su aplicabilidad a través de una suposición y protocolo de evaluación explícitos.