نقترح طريقة جديدة لتقدير المتجهات الطبيعية تُسمى HSurf-Net، والتي يمكنها التنبؤ بدقة بالمتجهات الطبيعية من السحب النقطية ذات الضوضاء والتغيرات في الكثافة. كانت الطرق السابقة تركز على تعلم أوزان النقاط لتطابق الجوار في سطح هندسي يُقرب بواسطة دالة متعددة الحدود بترتيب محدد مسبقًا، بناءً عليه يتم تقدير المتجهات الطبيعية. ومع ذلك، فإن مطابقة الأسطح بشكل صريح من السحب النقطية الخام تعاني من مشكلات التجاوز أو عدم التجاوز الناجمة عن الرتب غير المناسبة للدوال المتعددة الحدود والقيم الشاذة، مما يحد بشكل كبير من أداء الطرق الموجودة. لحل هذه المشكلات، نقدم مطابقة الأسطح الفائقة التي تقوم بتعلم الأسطح الفائقة ضمنياً، والتي تمثلها طبقات الشبكات العصبية ذات الطبقات المتعددة (MLP) التي تأخذ خصائص النقاط كمدخلات وتنتج أنماط سطح في فضاء خصائص عالي البعد. نقدم وحدة تحويل فراغية جديدة تتكون من سلسلة من طبقات التجميع المحلية وطبقات التحول العالمية لتعلم فضاء الخصائص الأمثل، بالإضافة إلى وحدة ترميز الموقع النسبي لتحويل السحب النقطية بكفاءة إلى الفضاء الذي تم تعلمه. يقوم نموذجنا بتعلم الأسطح الفائقة من الخصائص الخالية من الضوضاء ويتنبأ مباشرة بالمتجهات الطبيعية. نقوم بتحسين أوزان MLP ومعلمات الوحدة بطريقة معتمدة على البيانات بشكل مشترك لجعل النموذج يجد أنماط السطح الأكثر ملاءمة لمجموعة متنوعة من النقاط بشكل تكيفي. تظهر نتائج التجارب أن HSurf-Net الخاص بنا يحقق أفضل الأداء على مجموعة بيانات الأشكال الصناعية وعلى مجموعات بيانات المشاهد الداخلية والخارجية الحقيقية. الكود والبيانات والنماذج المدربة مسبقاً متاحة للعامة.希望这个翻译能满足您的要求。如果有任何需要调整的地方，请随时告知。