3D Surface Reconstruction from Point Clouds via Explicitly Geometrically Weighted RBF Neural Interpolation

في العالم الحديث، يمكن للماسحات الضوئية غير المرئية وأجهزة استشعار الليزر التقاط شكل العالم المادي بدقة مذهلة، وتسجيل ملايين النقاط الفردية في الفضاء. هذه المجموعات من النقاط، المعروفة باسم السحب النقطية (point clouds)، هي البيانات الخام وراء كل شيء، بدءاً من رسم خرائط الأطلال القديمة وصولاً إلى التخطيط للعمليات الجراحية. ومع ذلك، فإن السحابة النقطية الخام ليست سوى سحابة مبعثرة من النقاط؛ فهي تفتقر إلى الجلد الناعم والمتصل الذي يحدد الكائن الحقيقي. ولتحويل هذه النقاط إلى سطح قابل للاستخدام، يجب على العلماء استخدام أدوات رياضية لربط النقاط، وملء الفجوات لإنشاء شكل سلس. لعقود من الزمن، كانت عائلة واحدة من الأدوات الرياضية تسمى الدوال الشعاعية الأساسية (radial basis functions) هي المعيار لهذا العمل لأنها تنشئ أسطحاً شديدة النعومة. ومع ذلك، عانت هذه الأدوات من مشكلة مستمرة: فقد أصبحت بطيئة للغاية وتستهلك ذاكرة ضخمة عند مواجهة العدد الهائل من النقاط التي تنتجها الماسحات الضوئية الحديثة، وغالباً ما تفشل في "رؤية" الارتفاع والشكل الفعلي للتضاريس التي تحاول إعادة بنائها، حيث تعامل كل نقطة كمجرد مسافة بعيدة عن جيرانها.

اقترح باحث في جامعة مولاي إسماعيل بالمغرب طريقة جديدة لحل هذه المشكلة، من خلال دمج سرعة الرياضيات البسيطة مع حيلة ذكية تجعل الكمبيوتر "يفهم" هندسة البيانات. يقدم عمله منهجية تعلم خوارزمية إعادة البناء صراحةً الانتباه إلى ارتفاع النقاط التي تعالجها. فبدلاً من مجرد قياس المسافة بين النقاط، يقوم نظامه الجديد بحقن الارتفاع الفعلي للنقاط المركزية مباشرة في العملية الحسابية قبل بدء التعلم. وهذا يخلق شبكة من الخلايا العصبية الرياضية المدركة بطبيعتها للهيكل الرأسي للمشهد. ومن خلال القيام بذلك، وجد الباحث أنه يمكنه تحقيق مستوى من النعومة والدقة يضاهي أفضل الطرق الموجودة، ولكن بجزء ضئيل من التكلفة الحسابية.

يكمن جوهر ابتكاره في كيفية تنظيم البيانات قبل أن يبدأ الكمبيوتر عمله. فعند التعامل مع سحابة كثيفة من آلاف أو حتى ملايين النقاط، يكون محاولة استخدام كل نقطة كمرجع أمراً غير فعال. استخدم الباحث تقنية تجميع (clustering) لاختيار مجموعة أصغر بكثير وممثلة من النقاط لتكون بمثابة "المراسي" لإعادة البناء. ثم قام بحساب المسافة من كل نقطة أخرى إلى هذه المراسي. وهنا تختلف الطريقة الجديدة عن الطريقة القديمة: فقبل أن يحاول الكمبيوتر تعلم الشكل النهائي، يقوم بضرب معلومات المسافة في الارتفاع الفعلي لنقاط المرساة. هذه الخطوة البسيطة من الضرب، والتي تُجرى على البيانات نفسها، تُثري النموذج الرياضي بهندسة العالم الحقيقي، مما يضمن أن السطح الناتج يحترم الارتفاع الحقيقي للتضاريس بدلاً من مجرد تنعيمها بشكل أعمى.

ولإيجاد أفضل طريقة لربط هذه النقاط، استخدم الباحث نهجاً تحليلياً مباشراً بدلاً من طرق التدريب البطيئة القائمة على التجربة والخطأ الشائعة في الذكاء الاصطناعي الحديث. لقد حل نوعاً معيناً من المعادلات الرياضية التي توازن بين الحاجة إلى مطابقة مثالية والحاجة إلى تجنب الضوضاء، وهي عملية تُعرف باسم المربعات الصغرى المنتظمة (regularized least squares). سمح هذا له بتحديد الأوزان النهائية للشبكة فوراً، دون الحاجة إلى ساعات من التدريب التكراري. وأظهرت تجاربه أن هذا النهج دقيق للغاية، حيث حقق خطأ جذر متوسط المربع يصل إلى 10 مرفوعة للقوة سالبة 6، مما يشير إلى إعادة بناء شبه مثالية للسطح الأصلي. كما اكتشف أن دقة النتيجة تعتمد بشكل كبير على كيفية ضبط "نصف قطر" التأثير لكل نقطة مرساة؛ فإذا كانت النقاط كثيفة جداً، يجب أن يكون نصف القطر أصغر لمنع السطح من أن يصبح ناعماً جداً ويفقد التفاصيل، بينما تتطلب نقاط المرساة الأقل عدداً نصف قطر أكبر لضمان بقاء السطح متصلاً.

تضمن جزء كبير من عمله مقارنة نوعين مختلفين من النوى الرياضية (kernels)، أو الدوال المستخدمة لنشر التأثير من نقطة إلى أخرى. النوع الأول هو نواة غاوس العالمية (global Gaussian kernel)، وهي معروفة بدقتها ولكنها تنشئ مصفوفة بيانات ضخمة وكثيفة يصعب ويصعب معالجتها في مجموعات البيانات الكبيرة. النوع الآخر هو الدالة ذات الدعم المحدود (compactly supported function)، والتي تأخذ في الاعتبار النقاط فقط ضمن مسافة معينة، مما ينشئ مصفوفة متفرقة مليئة بالأصفار تكون أسرع في الحل. وجد الباحث أنه من خلال دمج طريقة الوزن الهندسي الجديدة مع الدالة ذات الدعم المحدود، يمكنه تحقيق نفس الدقة الهندسية العالية للطريقة العالمية الأبطأ. قلل هذا النهج الهجين بشكل كبير من الذاكرة المطلوبة والوقت اللازم لمعالجة السحب النقطية الكبيرة، مما جعل من الممكن إعادة بناء الأسطح المعقدة من آلاف النقاط في ثوانٍ بدلاً من دقائق.

استبعدت الدراسة صراحةً استخدام أنواع أخرى من الدوال الرياضية التي لا تتلاشى عند مسافة معينة، ووجدت أنها تسبب عدم استقرار في إعادة البناء وتذبذباً حاداً عند دمجها مع وزنها الهندسي. وأثبت الباحث أن طريقته تعمل بشكل أفضل عندما يتم تكييف حجم نصف قطر التأثير ديناميكياً مع كثافة النقاط وعدد المراسي المختارة. وفي اختباراته، تمكن من تقليل عدد نقاط المرساة بنسبة تصل إلى 80 بالمائة مع الحفاظ على جودة ممتازة في إعادة البناء، مما يثبت أن مجموعة أصغر وأكثر ذكاءً من المراسي أكثر فعالية من استخدام كل نقطة في السحابة. والنتيجة النهائية هي سطح ليس ناعماً رياضياً فحسب، بل هو أيضاً أمين بصرياً للكائن الأصلي، وخالٍ من الحواف المتعرجة أو الثقوب الاصطناعية التي غالباً ما تعيب تقنيات إعادة البناء الأقل تطوراً.

يقدم هذا العمل مساراً عملياً للمجالات التي تعتمد على المسح ثلاثي الأبعاد، من الجيوفيزياء إلى التصوير الطبي، حيث تعتبر السرعة والدقة أمرين بالغة الأهمية على حد سواء. ومن خلال دمج الواقع الفيزيائي للبيانات مباشرة في البنية الرياضية للحل، ابتكر الباحث أداة هي الأسرع والأكثر دقة من الطرق السابقة. وتشير نتائجهم إلى أنه بالنسبة للسحب النقطية واسعة النطاق، فإن مستقبل إعادة بناء الأسطح لا يكمن في تدريب أكثر تعقيداً، بل في اختصارات رياضية أذكى ومدركة للهندسة تحترم الطبيعة الفيزيائية للبيانات التي تعالجها. ويقف هذا المنهج كدليل على أن الطريقة الأكثر فعالية لحل مشكلة معقدة هي ضمان أن الكمبيوتر ينظر إلى الميزات الصحيحة للعالم منذ البداية.