ForkNet: إكمال دلالي حجمي متعدد الفروع من صورة عمق واحدة

نقترح نموذجًا جديدًا لإكمال الدلالة ثلاثية الأبعاد من صورة عمق واحدة، يعتمد على مُشفِّر واحد وثلاثة مولِّدات منفصلة تُستخدم لإعادة بناء تمثيلات هندسية ودلالية مختلفة للمشهد الأصلي والمكتمل، وكلها تشترك في نفس الفضاء الكامن. لنقل المعلومات بين فروع الشبكة الهندسية والدلالية، نقدم طرقًا بينهما تربط الميزات في الطبقات المتناظرة للشبكة. بفضل القيود في عدد العينات التدريبية من المشاهد الحقيقية، فإن سمة مثيرة للاهتمام في هندستنا هي قدرتها على تعزيز مجموعة البيانات الموجودة بإنشاء مجموعة بيانات تدريب جديدة تتضمن مشاهد حقيقية ذات جودة عالية والتي تشمل حتى الإخفاء والضوضاء الحقيقية. نبني هذه المجموعة الجديدة من البيانات عن طريق أخذ عينات مباشرة من الفضاء الكامن الذي يولد زوجًا من السطح الحجمي الجزئي والسطح الحجمي الدلالي المكتمل. بالإضافة إلى ذلك، نستفيد من عدة تمييزيات لزيادة دقة وإبداع إعادة البناء. نوضح فوائد نهجنا على مقاييس المعايير القياسية لكلتا مهمتي الإكمال الأكثر شيوعًا: إكمال المشهد ثلاثي الأبعاد بالدلالة وإكمال الجسم ثلاثي الأبعاد.请注意，为了保持专业性和准确性，我已将一些专业术语直接翻译为阿拉伯语中的通用术语。例如，“encoder”被翻译为“مُشفِّر”，“generators”被翻译为“مولِّدات”，“discriminators”被翻译为“تمييزيات”。如果这些术语在您的目标读者群体中需要进一步解释或有特定的行业标准，请告知我以便进行调整。