Метод доповнення 3D-моделей точкових хмар з використанням графових нейронних мереж

Abstract

Побудова моделей подання тривимірних об’єктів у вигляді просторової сукупності слабкоструктурованих точок (3D-моделей точкових хмар) набуває поширення в різних сферах, зокрема в завданнях створення віртуальної реальності, маршрутизації автономних роботів і 3D-реконструкції. Необхідність формувати та обробляти дані 3D-моделей хмар точок є суттєвою для застосунків, що потребують ретельного аналізу особливостей навколишнього середовища, пов’язаних з подоланням перешкод, визначенням маршрутів транспортних засобів та моделюванням реальних сцен. Утім, з різних причин точкові хмари часто містять пропущені ділянки, що створює значні проблеми для подальшого оброблення інформації. Неповні дані точкових хмар можуть мати серйозні наслідки, наприклад, у системах автономної навігації, де помилки призводять до зіткнень або інших небезпечних ситуацій. Розв’язання цієї проблеми є ключовим для надійного оброблення 3D-даних. Метою статті є розроблення та дослідження методу автоматичного доповнення й реконструкції точкових хмар з використанням графових нейронних мереж. Основними завданнями дослідження є аналіз наявних підходів до побудови та відновлення тривимірних графових моделей, розроблення та програмна реалізація методу автоматичного доповнення точкових хмар з використанням графових нейронних мереж, а також моделювання запропонованого методу для завдань доповнення та 3D-реконструкції моделей точкових хмар. У роботі розглянуто загальну модель доповнення точкових хмар із застосуванням графових нейронних мереж, що дають змогу кодувати неповні 3D-моделі хмар точок із використанням графів та прогнозування положення відсутніх фрагментів моделей. Запропоноване рішення для доповнення неповних 3D-хмар точок має наукову новизну та поєднує потужність графових нейронних мереж (GNN) з архітектурою мережі Point Completion Network (PCN). Запропонований підхід сприяє якісному відновленню неповних 3D-даних у практичному застосуванні. Значущість роботи підтверджують результати моделювання запропонованого методу для класичних датасетів та їх порівняння з деякими наявними підходами до розв’язання досліджуваної проблеми. Перспективним напрямом продовження досліджень з окресленої теми є випробування різних архітектур нейронних графових мереж, налаштування гіперпараметрів, застосування альтернативних функцій втрат і більш потужних обчислювальних ресурсів для навчання побудованих нейромережних моделей.