الانحدار المشترك للمكعبات والتنسيق للتموضع الدقيق لنقطة مرجعية الوجه ثلاثية الأبعاد

الشكل الوجهي ثلاثي الأبعاد أكثر تعبيرية وثباتًا من نظيره ثنائي الأبعاد من حيث الزاوية البصرية. ومع ذلك، فإن تحديد معالم الوجه ثلاثية الأبعاد في صورة واحدة يمثل تحديًا بسبب الطبيعة الغامضة للمعالم تحت المنظور الثلاثي الأبعاد. غالبًا ما تعتمد الأساليب الحالية على استراتيجية غير مثلى تتكون من خطوتين، حيث يتم أولاً تحديد المعلمات ثنائية الأبعاد ثم تقدير العمق. في هذا البحث، نقترح طريقة الانحدار المشترك للحجم والتنسيق (JVCR) لتحديد معالم الوجه ثلاثية الأبعاد، مما يعالج المشكلة بطريقة أكثر فعالية بشكل شامل.أولاً، تم اقتراح تمثيل حجمي مدمج لترميز احتمالية كل وحدة حجمية (فوكسل) بأن تكون موقعًا لمعلم ثلاثي الأبعاد. بغض النظر عن عدد المعالم المستهدفة، فإن بُعد هذا التمثيل ثابت، مما يساعد في تجنب مشكلة زيادة البعد (curse of dimensionality). بعد ذلك، يتم استخدام شبكة الساعة الرملية المتراكبة لتقدير التمثيل الحجمي من الخشن إلى الدقيق، يتبعها شبكة انvolution ثلاثية الأبعاد تأخذ الحجم المقدر كمدخل وتقوم بالانحدار لإحداثيات الوجه ثلاثية الأبعاد. بهذه الطريقة، يمكن للشبكة العصبية أن تتعلم القيود الهيكلية الثلاثية الأبعاد بين المعالم بطريقة أكثر كفاءة.علاوة على ذلك، فإن الأنابيب المقترحة تمكن التدريب الشامل وتحسن متانة ودقة تحديد معالم الوجه ثلاثية الأبعاد. لقد تم التحقق من فعالية نهجنا على قاعدة بيانات 3DFAW وأFLW2000-3D. تظهر النتائج التجريبية أن الطريقة المقترحة تحقق أداءً رائدًا مقارنة بالأساليب الموجودة.注释：- "stacked hourglass network" 翻译为 "شبكة الساعة الرملية المتراكبة"- "3D convolution network" 翻译为 "شبكة الانvolution ثلاثية الأبعاد" (这里使用了“انvolution”作为卷积的音译，以保持专业术语的一致性和准确性)- "curse of dimensionality" 翻译为 "مشكلة زيادة البعد"希望这些翻译和注释对您有所帮助。如果有任何进一步的问题，请随时告知。