معالجة التعميم في طرق التسجيل ثلاثي الأبعاد باستخدام أساسية بدون ميزات ومحرك تقييم غير متحيز

تُعد الطرق الحديثة للتسجيل ثلاثية الأبعاد في الغالب تعتمد على التعلم، حيث تُحدِّد إما تطابقًا بين النقاط في الفضاء المميز (feature space) ثم تُطبَّق التماثل، أو تُقدِّر تحويل التسجيل مباشرةً من خلال ميزات السحابة النقطية المعطاة. وبسبب ذلك، تواجه هذه الطرق القائمة على الميزات صعوبات في التعميم على سحابات نقطية تختلف بشكل كبير عن بيانات التدريب. ولا تظهر هذه المشكلة بوضوح نظرًا لتعريفات المعايير التقييمية المشوهة، التي لا تُتيح تحليلًا عميقًا ولا تحتوي على تحيز نحو بيانات متشابهة. ولذلك، نقترح منهجية لخلق معيار تقييم للتسجيل ثلاثي الأبعاد، بالاعتماد على مجموعة بيانات سحابة نقطية معينة، بحيث يُقدِّم تقييمًا أكثر إفادة لمُعدِّل معين مقارنةً بالمعايير الأخرى. وباستخدام هذه المنهجية، نُنشئ معيارًا جديدًا يُسمَّى FAUST-partial (FP)، المستند إلى مجموعة بيانات FAUST، ويحتوي على مستويات متعددة من الصعوبة. ويُعالج معيار FP القيود الموجودة في المعايير الحالية، مثل نقص البيانات وتباين نطاق المعاملات، ويُمكِّن من تقييم نقاط القوة والضعف في طريقة التسجيل ثلاثي الأبعاد بالنسبة لمعامل تسجيل واحد فقط. وباستخدام المعيار الجديد FP، نُقدِّم تحليلًا شاملاً للأساليب المتطورة حاليًا، ونلاحظ أن الأساليب الحالية ما زالت تعاني من صعوبة التعميم على بيانات خارج النموذج (out-of-sample) بشكل جوهري. ولذلك، نقترح طريقة أساسية بسيطة للتسجيل ثلاثي الأبعاد لا تعتمد على الميزات، وتعتمد على الترابط المتبادل الموزون بين سحابتين نقطيتين معطَيتين. وتُحقِّق هذه الطريقة نتائج قوية على مجموعات بيانات التقييم الحالية، وتتفوَّق على معظم الأساليب القائمة على التعلم العميق. ويتاح الكود المصدري على GitHub.com/DavidBoja/exhaustive-grid-search.