Meta-PU: شبكة تكبير ذات مقياس متغير للسحاب النقطي

يُعدّ تكبير سحابات النقاط (point cloud upsampling) أمرًا بالغ الأهمية لجودة الشبكة (mesh) في إعادة البناء ثلاثية الأبعاد. وقد حققت الأبحاث الحديثة في مجال تكبير سحابات النقاط نجاحًا كبيرًا بفضل تطور التعلم العميق. ومع ذلك، فإن الطرق الحالية تُعامل تكبير سحابات النقاط بعوامل مقياس مختلفة كمهام مستقلة، مما يتطلب تدريب نموذج مخصص لكل عامل مقياس، وهو ما يُعد غير فعّال وغير عملي من حيث التخزين والحساب في التطبيقات الحقيقية. ولحل هذه القيود، نقترح في هذا العمل طريقة جديدة تُسمى "Meta-PU" لتوفير دعم أولي لتكبير سحابات النقاط بعوامل مقياس عشوائية باستخدام نموذج واحد فقط. في طريقة Meta-PU، بالإضافة إلى الشبكة الأساسية المكونة من كتل الت convolution الرسومية التكرارية (RGC)، يتم تعلُّم شبكة فرعية (meta-subnetwork) لتعديل أوزان كتل RGC بشكل ديناميكي، كما يتم استخدام كتلة استخلاص النقاط الأبعد (farthest sampling block) لاستخلاص أعداد مختلفة من النقاط. وبهذا، تمكننا هذه الكتلتان معًا من تكبير سحابة النقاط بشكل مستمر بعوامل مقياس عشوائية باستخدام نموذج واحد فقط. علاوةً على ذلك، تُظهر التجارب أن التدريب على عدة مقاييس في آن واحد يُفيد بعضها البعض، مما يجعل Meta-PU تتفوّق حتى على الطرق الحالية التي تم تدريبها فقط لعامل مقياس محدد.