إكمال العمق الداخلي مع التوافق الحدودي والانتباه الذاتي

خصائص تقدير العمق مفيدة للتعرف ثلاثي الأبعاد. يمكن للكاميرات ذات الجودة التجارية التقاط صور العمق واللون في الوقت الفعلي. ومع ذلك، لا يمكن للمستشعر فحص السطوح اللامعة أو الشفافة أو البعيدة بشكل صحيح. نتيجة لذلك، يعد تحسين وإعادة بناء بيانات الاستشعار من العمق مهمة مهمة. يهدف إكمال العمق إلى ملء الثقوب التي يفشل المستشعر في اكتشافها، وهو ما يظل مهمة معقدة بالنسبة للآلة لتعلمها. وصلت الطرق التقليدية المعدلة باليد إلى حدودها، بينما تميل الطرق القائمة على الشبكات العصبية إلى نسخ وتوضيب الناتج من قيم العمق المجاورة. هذا يؤدي إلى حدود ضبابية، ويتم فقدان هياكل خريطة العمق. وبالتالي، فإن عملنا الرئيسي هو تصميم شبكة من النهاية إلى النهاية تحسن خرائط الإكمال ثلاثية الأبعاد مع الحفاظ على وضوح الحواف. نحن نستخدم آلية الانتباه الذاتي، التي تم استخدامها سابقًا في مجال إعادة تكوين الصور (Inpainting)، لاستخراج المزيد من المعلومات المفيدة في كل طبقة من طبقات الت".إضافةً إلى ذلك، نقترح مفهوم التوافق الحددي لتحسين جودة وهيكل خريطة العمق. تؤكد النتائج التجريبية فعالية مخطط الانتباه الذاتي والتوافق الحددي الخاص بنا، مما يتفوق على الأعمال السابقة الأكثر تقدمًا في إكمال العمق على مجموعة بيانات Matterport3D. رمزنا متاح للجمهور على https://github.com/tsunghan-wu/Depth-Completion.ملاحظات:- "Commodity-grade" تم ترجمتها بـ "ذات الجودة التجارية" وهي تعني أن الكاميرات ليست عالية الدقة ولكنها متاحة تجارياً.- "Matterport3D dataset" تم ترك اسمها كما هو لأنه اسم خاص لمجموعة بيانات معروفة.- "https://github.com/tsunghan-wu/Depth-Completion" تم تركه دون تغيير لأنه عنوان URL.- "Inpainting" تم وضعه بين قوسين بعد الترجمة لتوضيح المصطلح الأصلي.