الشبكات المُشغلة بالocupancy ذات التبديل الديناميكي في المستوى

أظهرت إعادة بناء ثلاثية الأبعاد القائمة على التعلم باستخدام تمثيلات عصبية ضمنية تقدماً واعداً ليس فقط على مستوى الأجرام، بل أيضاً في المشاهد الأكثر تعقيداً. في هذه الورقة، نقترح شبكة مساحة ديناميكية مُحدَّدة بالتحولات (Dynamic Plane Convolutional Occupancy Networks)، وهو تمثيل ضمني جديد يُعزز جودة إعادة بناء السطوح ثلاثية الأبعاد بشكل أكبر. يتم تشفير السحاب النقطية الضوضائية المدخلة إلى ميزات فردية لكل نقطة، ثم تُProjected على عدة مستويات ثنائية الأبعاد ديناميكية. ويتعلم شبكة متصلة بالكامل توقع معاملات هذه المستويات التي تصف بشكل أفضل أشكال الأجسام أو المشاهد. ولتحسين استغلال التكافؤ التحويلي (translational equivariance)، تُطبَّق شبكات التعلم العميق التلافيفية (convolutional neural networks) على معالجة ميزات المستويات. تُظهر طريقة العمل لدينا أداءً متفوّقاً في إعادة بناء السطوح من السحاب النقطية غير الموجهة في مجموعة بيانات ShapeNet، وكذلك في مجموعة بيانات مشاهد داخلية. علاوة على ذلك، نقدّم ملاحظات مثيرة للاهتمام حول توزيع المستويات الديناميكية المُتعلّمة.