CorrNet3D: التعلم غير المشرف من البداية إلى النهاية للمراسلات الكثيفة في السحابات النقطية ثلاثية الأبعاد

motivated by the intuition that one can transform two aligned point clouds to each other more easily and meaningfully than a misaligned pair, we propose CorrNet3D -- the first unsupervised and end-to-end deep learning-based framework -- to drive the learning of dense correspondence between 3D shapes by means of deformation-like reconstruction to overcome the need for annotated data.الترجمة:منطلقين من الحدس القائل بأن يمكن تحويل نقطتين متناسقتين إلى بعضهما البعض بشكل أسهل وأكثر معنى مقارنة بالنقاط غير المتناسقة، نقترح CorrNet3D -- الإطار الأول المستند إلى التعلم العميق بدون إشراف ومتصل من البداية إلى النهاية -- لدفع تعلم التوافق الكثيف بين الأشكال ثلاثية الأبعاد من خلال إعادة بناء مشابهة للتشوه لتخطي الحاجة إلى البيانات المشمولة بالتعليقات.Specifically, CorrNet3D consists of a deep feature embedding module and two novel modules called correspondence indicator and symmetric deformer. Feeding a pair of raw point clouds, our model first learns the pointwise features and passes them into the indicator to generate a learnable correspondence matrix used to permute the input pair. The symmetric deformer, with an additional regularized loss, transforms the two permuted point clouds to each other to drive the unsupervised learning of the correspondence.الترجمة:بشكل خاص، يتكون CorrNet3D من وحدة غرس الخصائص العميقة ووحدتين جديدتين تسميان مؤشر التوافق ومتشوه التناظر. عند إدخال زوج من السحب النقطية الخام، يتعلم نموذجنا أولاً الخصائص النقطية ويمررها إلى المؤشر لإنشاء مصفوفة توافق قابلة للتعلم تُستخدم لتبديل الزوج المدخل. يقوم متشوه التناظر بتحويل السحب النقطية المتبدلة الاثنين إلى بعضهما البعض مع خسارة منظمة إضافية لدفع التعلم بدون إشراف للتوافق.The extensive experiments on both synthetic and real-world datasets of rigid and non-rigid 3D shapes show our CorrNet3D outperforms state-of-the-art methods to a large extent, including those taking meshes as input. CorrNet3D is a flexible framework in that it can be easily adapted to supervised learning if annotated data are available. The source code and pre-trained model will be available at https://github.com/ZENGYIMING-EAMON/CorrNet3D.git.الترجمة:تظهر التجارب الواسعة التي أجريت على بيانات اصطناعية وحقيقية للأشكال ثلاثية الأبعاد الجامدة وغير الجامدة أن CorrNet3D يتفوق على الأساليب الرائدة بمدى كبير، بما في ذلك تلك التي تأخذ الشبكات (meshes) كمدخلات. يعتبر CorrNet3D إطارًا مرناً لأنه يمكن تكييفه بسهولة للتعلم بالإشراف إذا كانت البيانات المشمولة بالتعليقات متاحة. سيتم توفير الكود المصدر والنموذج المدرب مسبقًا على الرابط: https://github.com/ZENGYIMING-EAMON/CorrNet3D.git.