Torchmetrics中Panoptic Quality指标的扩展：支持SQ和RQ计算

在计算机视觉领域，Panoptic Quality（PQ）是一种广泛使用的评估指标，用于衡量全景分割模型的性能。本文将深入探讨如何在Torchmetrics库中扩展PQ指标，使其能够同时计算Segmentation Quality（SQ）和Recognition Quality（RQ）。

PQ、SQ和RQ的关系

Panoptic Quality由三个核心部分组成：

1. PQ（全景质量）：综合评估分割和识别性能的指标
2. SQ（分割质量）：专门评估分割准确性的子指标
3. RQ（识别质量）：专门评估识别准确性的子指标

三者关系可以表示为：PQ = SQ × RQ

当前实现分析

Torchmetrics现有的PQ实现仅计算最终的PQ值，而大多数研究论文（如U2Seg等）通常同时报告PQ、SQ和RQ三个指标。这种局限性使得研究人员需要额外计算才能获得完整的评估结果。

技术实现方案

扩展方案应考虑以下关键点：

1. 计算逻辑复用：SQ和RQ的计算可以复用PQ计算过程中已经得到的IoU、TP、FN和FP等中间结果
2. 公式实现：
   • SQ = (∑(IoU)) / (TP)
   • RQ = (TP) / (TP + 0.5FP + 0.5FN)
3. 性能优化：避免重复计算，利用现有中间结果
4. 输出格式：保持与现有PQ接口的一致性，同时扩展输出内容

向后兼容性考虑

为了保持与现有代码的兼容性，可以采取以下策略：

1. 添加参数控制是否输出SQ和RQ
2. 默认情况下保持现有行为
3. 通过标志位开启扩展功能

类级别评估

除了全局评估外，实现还应考虑：

1. 每个类别的独立PQ、SQ、RQ计算
2. 类别平均值的计算
3. 忽略特定类别的选项

实现建议

在技术实现上，建议：

1. 修改内部计算函数，增加SQ和RQ计算
2. 保持现有接口，通过参数控制扩展功能
3. 添加详细的文档说明
4. 确保单元测试覆盖所有新功能

这种扩展将使Torchmetrics的PQ实现更加完整，满足研究社区的需求，同时保持库的简洁性和高效性。