Extrusion Segmentation Strategy to improve CAD Reconstruction from Point Cloud

ملخص تقني: استراتيجية تقسيم البثق لتحسين إعادة بناء التصميم بمساعدة الحاسوب (CAD) من السحابة النقطية

بيان المشكلة
تعد عملية استعادة نماذج التصميم بمساعدة الحاسوب (CAD) من السحب النقطية ثلاثية الأبعاد غير المنظمة مهمة بالغة الأهمية للهندسة العكسية ومراقبة الجودة. وبينما حقق التعلم العميق (DL) تقدماً في إعادة البناء ثلاثي الأبعاد، إلا أن الطرق الحالية غالباً ما تعاني مع الأجسام المعقدة التي تدمج ميزات هندسية متعددة. تفشل الخوارزميات الهندسية التقليدية (مثل إعادة بناء بواسون - Poisson reconstruction) في التعميم على مجموعات البيانات المتنوعة، كما أن نهج التعلم العميق الحالي، مثل تلك التي تعيد بناء تسلسلات CAD كاملة مباشرة من السحب النقطية، تظهر أداءً متدهوراً في الأشكال المعقدة. غالباً ما تبسط هذه النماذج الهندسة بشكل مفرط أو تسيء تفسير المكونات الهيكلية لأنها يجب أن تتعلم استنتاج تاريخ نمذجة كامل متعدد الخطوات من مدخل سحابة نقطية شاملة واحدة. علاوة على ذلك، فإن مجموعات البيانات واسعة النطاق مثل DeepCAD غالباً ما تكون منحازة نحو النماذج البسيطة ذات البثق الواحد، مما يحد من قدرات التعميم للنماذج المدربة عليها.

المنهجية
يقترح المؤلفون استراتيجية تقسيم البثق (Extrusion Segmentation Strategy) لتعزيز تدريب نماذج إعادة بناء CAD من طرف إلى طرف. وتتمثل المنهجية الجوهرية في تفكيك نماذج CAD المعقدة إلى أجزائها "الأولية" المكونة لها — وتحديداً تسلسلات البثق الفردية — بدلاً من التدريب حصرياً على النماذج الكاملة.

1. تفكيك البيانات: يعرّف المؤلفون ثلاثة أنواع من النماذج:
   • النماذج البسيطة: نماذج CAD يتم إنشاؤها بواسطة بثق واحد.
   • النماذج المعقدة: نماذج CAD تتطلب عمليات بثق متعددة.
   • النماذج الأولية: تسلسلات بثق فردية مستخرجة من النماذج المعقدة.
2. توليد السحابة النقطية للنماذج الأولية: هناك تحدٍ كبير يتم معالجته وهو توليد سحب نقطية صالحة لهذه النماذج الأولية. نظرًا لأن الأجزاء الأولية لجسم معقد قد تمتلك أسطحاً داخلية أو محجوبة في التجميع النهائي، فإن أخذ العينات الساذج ينتج نقاطاً "غير فيزيائية". يقترح المؤلفون آلية تصفية:
   • يتم أخذ عينة من سحابة نقطية كثيفة من النموذج المعقد الكامل.
   • يتم إنشاء النماذج الأولية وأخذ عينات منها بكثافة بشكل فردي.
   • يتم إجراء بحث عن أقرب جار؛ حيث يتم الاحتفاظ فقط بالنقاط في السحابة الأولية التي لها جيران ضمن نصف قطر محدد ($r=0.005$) في سحابة النموذج الكامل.
   • يتم بعد ذلك تقليل عينات السحب النقطية الناتجة إلى 2,048 نقطة.
3. بنية النموذج: تستخدم الدراسة بنية أساسية تجمع بين PointNet++ (لاستخراج ميزات السحابة النقطية) ومفكك الشفرة القائم على المحولات (Transformer-based decoder) الخاص بـ DeepCAD (لتوليد التسلسل).
   • نموذج متعدد البثق (MEM): يتم تدريبه على السحب النقطية لكل من النماذج البسيطة والمعقدة (النهج الأساسي).
   • نموذج البثق الواحد (SEM): يتم تدريبه حصرياً على السحب النقطية للنماذج البسيطة والنماذج الأولية المولدة حديثاً.
4. استراتيجية الاستدلال: أثناء الاستدلال على الأجسام المعقدة، يعالج نموذج SEM المدخل عبر معاملة الجسم كسلسلة من السحب النقطية الأولية. يقوم بالتنبؤ بتسلسل CAD لكل جزء أولي بشكل مستقل، ويتم إعادة بناء نموذج CAD النهائي عن طريق دمج هذه التنبؤات الفردية.

المساهمات الرئيسية

• استراتيجية تقسيم البثق: نهج مبتكر على مستوى البيانات يزيد من تنوع مجموعة التدريب عن طريق تفكيك تسلسلات CAD المعقدة إلى نماذج أولية ذات بثق واحد دون الحاجة إلى إنشاء مجموعات بيانات جديدة تماماً.
• توليد قوي للسحابة النقطية الأولية: خوارزمية محددة لتصفية النقاط غير الفيزيائية عند أخذ عينات من الأشكال الأولية، مما يضمن أن بيانات التدريب للأشكال الجزئية تعكس بدقة الأسطح المكشوفة من الجسم المعقد الأصلي.
• تحسين مستقل عن النموذج: تم تصميم الاستراتيجية لتكون مستقلة عن بنيات الشبكات المحددة، مما يوفر طريقة عامة لتعزيز أداء إعادة البناء لأي نموذج تعلم عميق يعيد بناء تسلسلات CAD.
• تعزيز القدرة على التعميم: من خلال إجبار النموذج على استنتاج الهندسة المفقودة من مدخلات أولية غير كاملة، تشجع هذه الطريقة على تعلم تمثيلات سحابة نقطية أكثر ثراءً وقوة.

النتائج
تم تقييم نموذج البثق الواحد (SEM) المقترح مقابل نموذج تعدد البثق (MEM) باستخدام مجموعة بيانات DeepCAD. تُظهر النتائج تحسينات كبيرة، لا سيما بالنسبة للأجسام المعقدة:

• النماذج المعقدة: حقق نموذج SEM دقة أوامر بلغت 77.71% مقارنة بـ 58.10% لنموذج MEM (زيادة تقارب 20 نقطة). وتحسنت دقة المعلمات من 69.94% إلى 82.50%. كما انخفضت نسبة عدم الصلاحية (IR) بأكثر من النصف (من 32.02% إلى 12.03%)، وانخفض متوسط مسافة تشامفر (CD) بشكل حاد من $10.92 \times 10^{-3}$ إلى $2.07 \times 10^{-3}$.
• النماذج البسيطة: حتى بالنسبة للنماذج البسيطة (حيث تلقى كلا النموذجين مدخلات متطابقة)، أظهر نموذج SEM تحسينات، حيث ارتفقت دقة الأوامر إلى 90.44% (مقابل 88.03% لـ MEM) وانخفض متوسط مسافة تشامفر بنسبة 36%.
• التحليل النوعي: أكد الفحص البصري أن نموذج SEM يلتقط التفاصيل الهندسية الدقيقة، مثل الخطوط الخارجية الحادة والميزات الصغيرة مثل الثقوب، والتي غالباً ما يغفل عنها أو يبسطها نموذج MEM. كما أظهر نموذج SEM أداءً أكثر استقراراً مع زيادة طول التسلسل.

الأهمية والادعاءات
يزعم البحث أن الأهمية الأساسية لهذا العمل تكمن في قدرته على تحسين تعميم وقوة نماذج التعلم العميق لإعادة بناء CAD من خلال استراتيجية بسيطة تركز على البيانات. ومن خلال إدخال النماذج الأولية في مجموعة التدريب، يوضح المؤلفون أنه يمكن للنماذج تعلم إعادة بناء الأجسام المعقدة بشكل أكثر فعالية، حتى دون التدريب صراحةً على التعقيد الكامل لتلك الأجسام خلال مرحلة التدريب.

يضع المؤلفون هذه الاستراتيجية كحل عملي للتطبيقات التي تتطلب إعادة بناء عالية الدقة، مثل الهندسة العكسية، مراقبة الجودة، التحويل من المسح إلى نمذجة معلومات البناء (Scan-to-BIM)، فحص البنية التحتية، الحفاظ على التراث الرقمي، والروبوتات. ويؤكدون أنه نظرًا لأن الطريقة تعمل بالكامل على مستوى البيانات وتستفيد من سجلات التصميم الحالية، فيمكن تطبيقها على أي مجموعة بيانات CAD تتوفر فيها تسلسلات النمذجة، مما يوفر مساراً قابلاً للتوسع لتحقيق إعادة بناء أفضل تعتمد على التعلم العميق دون الحاجة إلى تغيير هيكلي في البنية.