تواجه أنظمة كشف الأجسام ثلاثية الأبعاد متعددة الرؤى صعوبات متكررة في إنتاج تنبؤات دقيقة بسبب التحديات المرتبطة بتقدير العمق من الصور، مما يؤدي إلى زيادة الكشف الزائد والأخطاء. يقدّم هذا البحث طريقة مبتكرة تُسمى "تخفيف الضوضاء بالأشعة" (Ray Denoising)، والتي تُحسّن دقة الكشف من خلال عينات استراتيجية مُنتقاة على طول أشعة الكاميرا لبناء أمثلة سلبية صعبة. تُعد هذه الأمثلة صعبة التمييز بصريًا عن الإيجابيات الحقيقية، مما يجبر النموذج على تعلّم ميزات واعية بالعمق، وبالتالي يعزز قدرته على التمييز بين الإيجابيات الحقيقية والوهمية. تم تصميم "تخفيف الضوضاء بالأشعة" كوحدة قابلة للتكامل بسهولة، وتتوافق مع أي كاشف ثلاثي الأبعاد يعتمد على نموذج DETR، مع زيادة ضئيلة جدًا في التكلفة الحسابية أثناء التدريب دون التأثير على سرعة الاستنتاج. أظهرت تجاربنا الشاملة، بما في ذلك دراسات تحليلية مفصلة، باستمرار أن "تخفيف الضوضاء بالأشعة" تتفوّق على النماذج القوية في عدة مجموعات بيانات. فقد حققت تحسينًا بنسبة 1.9٪ في متوسط دقة التصنيف (mAP) مقارنةً بالطريقة الأحدث من نوع StreamPETR على مجموعة بيانات NuScenes. كما أظهرت تحسينات كبيرة في أداء مجموعة بيانات Argoverse 2، مما يبرز قدرتها على التعميم. سيتم إتاحة الكود على الرابط: https://github.com/LiewFeng/RayDN.