CSPN++: تعلم شبكات الانتشار المكاني الواعية للسياق والموارد لاستكمال العمق

يتعلق اكتمال العمق (Depth Completion) بمشكلة تحويل خريطة عمق نادرة إلى خريطة كثيفة، مع وجود الصورة الملونة المقابلة. تعتبر شبكة الانتشار المكاني التلافيفية (Convolutional Spatial Propagation Network - CSPN) من أفضل الأساليب (State-of-the-Art - SoTA) في اكتمال العمق، حيث تعيد إنتاج تفاصيل الهيكل البصري للمشهد. في هذا البحث، نقترح طريقة محسنة تسمى CSPN++، والتي تزيد من فعاليتها وكفاءتها من خلال تعلم أحجام النوى التلافيفية وعدد التكرارات للانتشار بشكل متكيف، مما يتيح تخصيص السياق والموارد الحسابية لكل بكسل ديناميكياً عند الطلب.وبشكل محدد، نصيغ عملية تعلم هذين المعلمين الفائقيين (hyper-parameters) كمشكلة اختيار بنية الشبكة، حيث يتم تعريف مجموعة متنوعة من تكوينات أحجام النوى وأعداد التكرارات أولاً، ثم يتم تدريب مجموعة من معلمات الوزن اللينة لجمع أو اختيار التكوينات المحددة مسبقاً لكل بكسل بشكل صحيح. في تجاربنا، وجدنا أن الجمع المرتبط بالوزن يمكن أن يؤدي إلى تحسينات كبيرة في الدقة، وهو ما أطلقنا عليه "CSPN مرتبطة بالسياق" (context-aware CSPN)، بينما يمكن أن يقلل الاختيار المرتبط بالوزن "CSPN مرتبطة بالموارد" (resource-aware CSPN) بشكل كبير من الموارد الحسابية مع دقة مشابهة أو أفضل.بالإضافة إلى ذلك، يمكن ضبط الموارد اللازمة لـ CSPN++ بشكل آلي حسب الميزانية الحسابية. وأخيراً،为了避免噪声或不准确的稀疏深度的副作用，我们在CSPN++中嵌入了一个门控网络，这进一步提高了性能。我们通过在KITTI深度补全基准上展示CSPN++的有效性，证明了它在CSPN和其他SoTA方法上的显著改进。注：最后一句中的“为了避免噪声或不准确的稀疏深度的副作用，我们在CSPN++中嵌入了一个门控网络”被直接翻译为阿拉伯语可能会显得有些生硬，因此我将其进行了适当的调整以符合阿拉伯语的表达习惯：وأخيراً، لتجنب الآثار الجانبية للضوضاء أو العمق النادر غير الدقيق، قمنا بدمج شبكة مقيدة داخل CSPN++، مما يحسن الأداء بشكل أكبر.希望这个翻译符合您的要求。如果您有任何其他问题或需要进一步修改，请随时告知。