تمت段分割通过学习场景完成中的上下文形状先验的稀疏单次扫描LiDAR点云 请注意，这里有一个翻译上的小问题，"段分割"在阿拉伯语中应为"القطع"،但根据上下文，更合适的翻译应该是"分割"，即"التفتيش". 因此，更准确的翻译如下： التفتيش في السحابة النقطية النادرة لـ LiDAR من خلال التعلم من الأولويات الشكلية السياقية من إكمال المشهد

تحليل السحابة النقطية لليدار هو مهمة أساسية في رؤية الحاسوب ثلاثية الأبعاد، خاصةً في مجال القيادة الذاتية. ومع ذلك، بسبب الشدة الكبيرة لندرة البيانات والتشويش في السحابة النقطية لليدار في المسح الواحد، فإن تحقيق التجزئة الدلالية الدقيقة يعد أمرًا غير بسيط. في هذا البحث، نقترح إطارًا جديدًا للتجزئة الدلالية للسحابة النقطية النادرة لليدار مدعومًا بالأشكال السياقية المُتعلمة. في التطبيق العملي، يمكن تحقيق تجزئة دلالية أولية (SS) للسحابة النقطية في المسح الواحد باستخدام أي شبكة جذابة، ثم يتم توجيهها إلى وحدة إكمال المشهد الدلالي (SSC) كمدخل. من خلال دمج الإطارات المتعددة في سلسلة ليدار كإشراف، تعلم الوحدة المحسنة SSC الأشكال السياقية من بيانات ليدار المتتابعة، مما يكمل السحابة النقطية النادرة إلى سحابة نقطية كثيفة. وبالتالي، يحسن هذا الإطار بشكل جوهري عملية تحسين التجزئة الدلالية من خلال التدريب الكامل من البداية إلى النهاية. بالإضافة إلى ذلك، تم اقتراح وحدة التفاعل بين النقاط والفيوكسل (PVI) لتعزيز الاندماج المعرفي بين مهام التجزئة الدلالية وإكمال المشهد الدلالي، أي تعزيز تفاعل الهندسة المحلية غير الكاملة للسحابة النقطية والهيكل العالمي الكامل حسب الفيوكسل. علاوة على ذلك، يمكن التخلي عن الوحدات المساعدة SSC و PVI أثناء الاستدلال دون زيادة العبء على مهمة التجزئة الدلالية. أثبتت التجارب الواسعة أن شبكتنا JS3C-Net تحقق أداءً فائقًا على مقاييس SemanticKITTI و SemanticPOSS، حيث حققت تحسينات بنسبة 4% و 3% على التوالي.