تعلم تمثيل هندسي منفصل لفهم متكامل لسحابة النقاط ثلاثية الأبعاد للجسم

في معالجة الصور ثنائية الأبعاد، جرّبت بعض الطرق تفكيك الصور إلى مكونات ذات تردد عالٍ وتردد منخفض لوصف الجوانب الحادة والمنحنية بخلاف المناطق السلسة على التوالي. وبالمثل، تصف الحدود والمناطق المسطحة للأجسام ثلاثية الأبعاد، مثل الحدود وسطح المقعد في كرسي، هندسات مختلفة ولكنها مكملة لبعضها البعض. ومع ذلك، يُفقد هذا التحقيق في الشبكات العميقة السابقة التي تفهم سحوبات النقاط (point clouds) من خلال معالجة جميع النقاط أو المناطق المحلية بشكل متساوٍ. لحل هذه المشكلة، نقترح شبكة الانتباه المُفكَّكة هندسيًا (Geometry-Disentangled Attention Network - GDANet). تُدخل GDANet وحدة التفكيك الهندسي (Geometry-Disentangle Module) لتفكيك سحوبات النقاط ديناميكيًا إلى مكونين: الحدود (المنطقة الحادة) والمناطق المسطحة للأجسام ثلاثية الأبعاد، والتي تُرمز إليها على التوالي بـ "مكوّنات التغير الحاد" و"مكوّنات التغير الخفيف". ثم تُستخدَم وحدة الانتباه المُكملة بين الحاد والخفيف (Sharp-Gentle Complementary Attention Module) التي تُعامل السمات المستمدة من المكوّنين الحاد والخفيف كتمثيلين كليين، وتنظر إلى كل منهما بانتباه مختلف أثناء دمجهما بشكل منفصل مع السمات الأصلية لسحوبات النقاط. وبهذا الشكل، تلتقط طريقة我们的 وتحسّن السمات الهندسية الثلاثية الأبعاد الشاملة والمتكاملة من خلال مكونين منفصلين، لتعويض المعلومات المحلية. وتبين التجارب الواسعة على معايير تصنيف وتقسيم الأجسام ثلاثية الأبعاد أن GDANet تحقق أداءً متقدمًا جدًا (state-of-the-art) باستخدام عدد أقل من المعاملات. تم إصدار الشفرة المصدرية على الرابط: https://github.com/mutianxu/GDANet.