GRNet: شبكة تلافيفية تلافيفية للإكمال السبكي للسحاب النقطية الكثيفة

تقدير السحابة ثلاثية الأبعاد الكاملة من سحابة غير كاملة يُعد مشكلة رئيسية في العديد من تطبيقات الرؤية الحاسوبية والروبوتات. تستخدم الطرق الشائعة (مثل PCN وTopNet) الشبكات العصبية متعددة الطبقات (MLPs) لمعالجة السحابات النقطية مباشرة، وهو ما قد يؤدي إلى فقدان التفاصيل بسبب عدم أخذ البنية والسياق للسحابات النقطية بعين الاعتبار بشكل كامل. ولحل هذه المشكلة، نُقدّم استخدام الشبكات الثلاثية الأبعاد (3D grids) كتمثيلات وسيطة لتنظيم السحابات النقطية غير المرتبة. وبالتالي، نقترح شبكة جديدة تُسمى "شبكة التقطيع المتبقية" (GRNet) لاستكمال السحابات النقطية. وبشكل خاص، نصمم طبقتين جديدتين قابلتين للتفاضل، وهما "التحصين" (Gridding) و"عكس التحصين" (Gridding Reverse)، لتحويل السحابات النقطية إلى شبكات ثلاثية الأبعاد والعكس، دون فقدان المعلومات البنائية. كما نقدّم طبقة جديدة تُسمى "استخلاص الميزات المكعبية القابلة للتفاضل" (Differentiable Cubic Feature Sampling)، والتي تُستخدم لاستخراج الميزات من النقاط المجاورة، مما يحافظ على المعلومات السياقية. بالإضافة إلى ذلك، نصمم دالة خسارة جديدة تُعرف بـ"خسارة التحصين" (Gridding Loss)، التي تُحسب المسافة L1 بين الشبكات الثلاثية الأبعاد للسحابات النقطية المتنبأة والواقعية، مما يساعد في استعادة التفاصيل الدقيقة. تُظهر النتائج التجريبية أن GRNet تتفوق على الطرق الرائدة في مجالها على معايير ShapeNet وCompletion3D وKITTI.