التعلم المتناقض للحدود لتقسيم سحابات النقاط

إن تقسيم السحابة النقطية يُعد أساسياً لفهم البيئات ثلاثية الأبعاد. ومع ذلك، تُظهر الطرق الحالية لتقسيم السحاب النقطية ثلاثية الأبعاد أداءً ضعيفاً عادةً عند الحدود المشهدية، مما يؤدي إلى تدهور الأداء العام في التقسيم. في هذه الورقة، نركّز على تقسيم الحدود المشهدية. وعليه، نبدأ بدراسة مقاييس لتقييم أداء التقسيم عند الحدود المشهدية. ثم، نقترح إطاراً جديداً يُسمى التعلم المُتَناقض للحدود (CBL) لتحسين تقسيم السحاب النقطية، بهدف معالجة الأداء غير المرضي عند الحدود. بشكل محدد، يعزز الإطار المقترح التمييز بين الميزات عند النقاط المتقابلة عبر الحدود من خلال مقارنة تمثيلاتها مع دعم من السياقات المشهدية على مقياس متعدد المراحل. وعند تطبيق CBL على ثلاث طرق أساسية مختلفة، نُظهر تجريبياً أنه يُحسّن باستمرار أداء هذه الطرق، ويساعدها على تحقيق أداءً متميزاً عند الحدود، فضلاً عن تحسين الأداء العام، مثل مقياس mIoU. وتُظهر النتائج التجريبية فعالية طريقة عملنا وأهمية الحدود في تقسيم السحاب النقطية ثلاثية الأبعاد. سيتم الإفصاح عن الشفرة النموذجية بشكل عام عبر الرابط: https://github.com/LiyaoTang/contrastBoundary.