نماذج ومنصات الذكاء الاصطناعي
Neural Parts: كسر البريميتيفات لجغرافية متعمدة معبّرة
أضف Unite.AI إلى مصادرك المفضلة على Google
في حين أن الأنظمة القادرة على توليد هندسة ثلاثية الأبعاد من صور ثابتة واحدة انتشرت في السنوات الأخيرة، فإن الأجسام التي تحصل عليها تميل إلى أن تكون “مصهورة” معًا، دون أي مخطط семантиكي حقيقي يعكس كيف تساهم الأجزاء في الكل.
هناك العديد من الأسباب الجيدة لتوليد نماذج متعمدة هرمية مع تقسيم معنوي للأجزاء، بما في ذلك التحليل الصناعي والبحوث الطبية والتطبيقات التصويرية وتوليد الهندسة التلقائي للعبة فيديو وبيئات المحاكاة والواقع الافتراضي / الواقع المعزز، وتأثيرات بصرية، من بين أمور أخرى.
تم تطوير العديد من الطرق في السنوات الأخيرة، مثل تحليل الشكل السوبر كوادريك، لإنتاج نتائج أقل من المرضية، وواجهت صعوبات في تقدم حالة الفن إلى ما هو أبعد من تقطيع إشاري على شكل مكعب.
تقسيم بواسطة سوبر كوادريكس والمناهج الأخرى توفر أجزاء فرعية خشنة أو تمثيلية بشكل عام لصورة متعمدة. مصدر: https://www.youtube.com/watch?v=6WK3B0IZJsw
然而، بحث جديد من معهد ماكس بلانك، بعنوان الجزء العصبي: تعلم تمثيلات الشكل ثلاثي الأبعاد التعبيرية مع الشبكات العصبية القابلة للعكس، يقدم نظام تمثيل بريمييفات ثلاثي الأبعاد عصبي جديد يخلق أقسامًا семантиكية مفيدة.
المناهج السابقة يمكن أن تفرق كائنات كبيرة متعمدة، ولكن ليس بطريقة مفيدة семантиكيًا. على اليمين، يخلق طريقة الجزء العصبي شذرات أكثر عملية. مصدر: https://paschalidoud.github.io/neural_parts
يتم تحقيق التقسيم من خلال شبكة عصبية قابلة للعكس، التي تستخدم التماثل الشرطي لتشوه شكل هندسي قاعدي إلى بريميتيفات، وبالعكس، وحساب التسلسل الهرمي الطوبولوجي في كلا الاتجاهين. بهذه الطريقة، يرتبط كل شكل بريمييفات مع تضمين بريمييفات قابل للتعلم من أجل توليد تضمين الشكل لذلك البريمييفات.
الهندسة المعمارية
يجب على الجزء العصبي أن يجد توازنًا بين جودة البناء وسلامة البريمييفات، منذ البريمييفات المعقدة تميل النظام نحو تفكيك معقد. لذلك تم تصميم هندسة الجزء العصبي لتجاوز هذه الاعتبارات المتضاربة بطريقة أنيقة.
تتكون هندسة الجزء العصبي من مستخرج ميزة يخＶم входًا لمتجه، ومكون التماثل الشرطي الذي يتعلم التماثلات الشرطي التي يتم تشغيلها بواسطة تضمين الشكل.
يستخدم الجزء الأول من مستخرج الميزة مكون ResNet-18 لاستخراج صور الميزة. يستخدم مكون التماثل الشرطي تحويلًا حقيقيًا غير محافظًا للحجم (تحويل حقيقي NVP).
التقييم
تم اختبار النظام ضد ثلاث مجموعات بيانات – 2017’s Dynamic FAUST (D-FAUST)، FreiHAND (2019) و ShapeNet الشهيرة في جامعة ستانفورد عام 2015. تحتوي D-FAUST على 38,640 شبكة مركزية بشرية، والتي أثبتت أنها مناسبة للمقارنة، في حين تم استخدام أول 5000 وضع يد في FreiHAND لتوليد الشبكات.对于 ShapeNet، اتبع الباحثون نفس التوجيهات الخاصة بالتدريب المحدد حسب الفئة التي حددوها باحثو ستانفورد في عام 2016.
تم تشغيل الاختبارات ضد طرق بريمييفاتية بما في ذلك السوبر كوادريك، CvxNet، و H-SQs.
تحت ShapeNet، وجد الباحثون أن نموذج الجزء العصبي نتج عنه بناء أكثر دقة من CvxNet على مستوى 5 و 25 بريمييفات. بعض الأجسام البسيطة في قاعدة البيانات، مثل الكراسي، لم تحتوي على هندسة كافية لتقسيم معنوي.
对于 FreiHAND، نتج الجزء العصبي عن بناء أكثر دقة هندسيًا، مع.capture أفضل للتفاصيل الدقيقة مثل موضع الإبهام. يلاحظ الباحثون أنه بالمقارنة، CvxNet و SQs أكثر تركيزًا على الهيكل العام، ويتجاهلون هذه التفاصيل.
对于 Dynamic FAUST، تم مقارنة CvxNet و SQs مع إخراج الجزء العصبي باستخدام خمس بريمييفات لالتقاط سلامة الجسم البشري في البداية المستنبطة من البيانات. تمكنت الجزء العصبي من تحقيق تقسيم أكثر سلاسة، دون التضحية بالأساسيات من التوبولوجيا.
العمل المستقبلي
يخطط الباحثون لتوسيع الجزء العصبي إلى الدراسات التي لا تقدم شبكات هدف مباشرة، من خلال استخدام تقنيات العرض القابل للتفاضل. منذ أن الكرة الأساسية هي البريمييفات الحالي المستخدم في إطار الجزء العصبي، يعتبر الباحثون أيضًا استخدام بريمييفات هندسية معبرة أكثر تعقيدًا.
