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

आधुनिक दुनिया में, अदृश्य स्कैनर और लेजर सेंसर अविश्वसनीय सटीकता के साथ भौतिक दुनिया के आकार को कैप्चर कर सकते हैं, जो अंतरिक्ष में लाखों व्यक्तिगत बिंदुओं को रिकॉर्ड करते हैं। बिंदुओं का ये संग्रह, जिन्हें पॉइंट क्लाउड (point clouds) कहा जाता है, प्राचीन अवशेषों के मानचित्रण से लेकर चिकित्सा सर्जरी की योजना बनाने तक, हर चीज़ के पीछे का कच्चा डेटा है। हालाँकि, एक कच्चा पॉइंट क्लाउड केवल बिंदुओं का बिखरा हुआ बादल मात्र है; इसमें उस चिकनी, निरंतर त्वचा का अभाव है जो एक वास्तविक वस्तु को परिभाषित करती है। इन बिंदुओं को एक उपयोगी सतह में बदलने के लिए, वैज्ञानिकों को बिंदुओं को जोड़ने के लिए गणितीय उपकरणों का उपयोग करना चाहिए, जिससे अंतराल को भरकर एक निर्बाव आकृति बनाई जा सके। दशकों से, रेडियल बेसिस फंक्शन्स (radial basis functions) नामक गणितीय उपकरणों का एक परिवार इस काम के लिए मानक रहा है क्योंकि यह बहुत चिकनी सतहें बनाता है। फिर भी, ये उपकरण एक निरंतर समस्या के साथ संघर्ष करते रहे हैं: जब इनका सामना आधुनिक स्कैनरों द्वारा उत्पादित बिंदुओं की विशाल संख्या से होता है, तो ये अविश्वसनीय रूप से धीमे और मेमोरी-गहन हो जाते हैं, और ये अक्सर उस स्थलाकृति के वास्तविक ऊँचाई और आकार को "देखने" में विफल रहते हैं जिसे वे पुनर्गठित करने की कोशिश कर रहे हैं, और प्रत्येक बिंदु को केवल अपने पड़ोसियों से एक दूरी के रूप में देखते हैं।

मोरक्को के मौले इस्माइल विश्वविद्यालय के एक शोधकर्ता ने इसे हल करने का एक नया तरीका प्रस्तावित किया है, जो सरल गणित की गति को एक चतुर ट्रिक के साथ मिलाता है ताकि कंप्यूटर डेटा की ज्यामिति को "समझ" सके। उनका कार्य एक ऐसी विधि पेश करता है जो पुनर्गठन एल्गोरिदम को डेटा के ऊँचाई (altitude) पर ध्यान देने के लिए स्पष्ट रूप से सिखाती है। केवल बिंदुओं के बीच की दूरी मापने के बजाय, उनकी नई प्रणाली गणना शुरू होने से पहले ही केंद्र बिंदुओं की वास्तविक ऊँचाई को सीधे डेटा में शामिल कर देती है। यह गणितीय न्यूरॉन्स का एक ऐसा नेटवर्क बनाता है जो स्वाभाविक रूप से परिदृश्य की ऊर्ध्वाधर संरचना (vertical structure) के प्रति जागरूक होता है। ऐसा करके, शोधकर्ता ने पाया कि वे मौजूदा सर्वोत्तम विधियों के बराबर चिकनाई और सटीकता प्राप्त कर सकते हैं, लेकिन बहुत कम कम्प्यूटेशनल लागत पर।

उनके नवाचार का मूल आधार यह है कि वे कंप्यूटर अपना काम शुरू करने से पहले डेटा को कैसे व्यवस्थित करते हैं। हजारों या लाखों बिंदुओं के घने क्लाउड के साथ काम करते समय, प्रत्येक बिंदु को संदर्भ के रूप में उपयोग करना अक्षम है। शोधकर्ता ने पुनर्निर्माण के लिए एंकर (anchors) के रूप में एक बहुत छोटे, प्रतिनिधि समूह के बिंदुओं को चुनने के लिए एक क्लस्टरिंग तकनीक का उपयोग किया। इसके बाद, उन्होंने प्रत्येक अन्य बिंदु से इन एंकरों की दूरी की गणना की। यहीं पर नया तरीका पुराने तरीके से अलग होता है: कंप्यूटर अंतिम आकार सीखने की कोशिश करने से पहले, यह दूरी की जानकारी को एंकर बिंदुओं की वास्तविक ऊँचाई से गुणा करता है। डेटा पर की गई यह सरल गुणा प्रक्रिया, गणितीय मॉडल को वास्तविक ज्यामिति से समृद्ध करती है, यह सुनिश्चित करती है कि परिणामी सतह स्थलाकृति को बिना सोचे-समझे स्मूथ करने के बजाय उसकी वास्तविक ऊंचाई का सम्मान करे।

इन बिंदुओं को जोड़ने का सबसे अच्छा तरीका खोजने के लिए, शोधकर्ता ने आधुनिक आर्टिफिशियल इंटेलिजेंस में सामान्य धीमे, परीक्षण-और-त्रुटि (trial-and-error) वाले प्रशिक्षण तरीकों के बजाय एक प्रत्यक्ष, विश्लेषणात्मक दृष्टिकोण का उपयोग किया। उन्होंने एक विशिष्ट प्रकार के गणितीय समीकरण को हल किया जो एक सटीक फिट की आवश्यकता और शोर (noise) से बचने की आवश्यकता के बीच संतुलन बनाता है, जिसे रेगुलराइज्ड लीस्ट स्क्वेयर्स (regularized least squares) के रूप में जाना जाता है। इसने उन्हें घंटों के पुनरावृत्ति प्रशिक्षण की आवश्यकता के बिना, तुरंत नेटवर्क के अंतिम भार (weights) निर्धारित करने की अनुमति दी। उनके प्रयोगों ने दिखाया कि यह दृष्टिकोण उल्लेखनीय रूप से सटीक है, जो 10 की घात -6 (10^-6) जितना कम रूट मीन स्क्वायर एरर प्राप्त करता है, जो मूल सतह के लगभग पूर्ण पुनर्निर्माण को दर्शाता है। उन्होंने यह भी खोजा कि परिणाम की सटीकता इस बात पर बहुत अधिक निर्भर करती है कि वे प्रत्येक एंकर बिंदु के प्रभाव के "त्रिज्या" (radius) को कैसे ट्यून करते हैं; यदि बिंदु बहुत घने हैं, तो सतह को बहुत अधिक चिकना होने और विवरण खोने से बचाने के लिए त्रिज्या छोटी होनी चाहिए, जबकि कम एंकर बिंदुओं के लिए बड़ी त्रिज्या की आवश्यकता होती है ताकि सतह जुड़ी हुई रहे।

उनके कार्य का एक महत्वपूर्ण हिस्सा दो अलग-अलग प्रकार के गणितीय कर्नेल (kernels), या उन कार्यों की तुलना करने में बीता जो एक बिंदु से दूसरे बिंदु तक प्रभाव फैलाते हैं। एक प्रकार का ग्लोबल गौसियन कर्नेल (global Gaussian kernel) है, जो अपनी सटीकता के लिए जाना जाता है लेकिन डेटा का एक विशाल, सघन मैट्रिक्स बनाता है जिसे बड़े डेटासेट पर प्रोसेस करना कठिन और धीमा है। दूसरा प्रकार का कॉम्पैक्टली सपोर्टेड फंक्शन (compactly supported function) है, जो केवल एक निश्चित दूरी के भीतर के बिंदुओं पर विचार करता है, जिससे एक स्पार्स मैट्रिक्स बनता है जो हल करने में बहुत तेज़ है। शोधकर्ता ने पाया कि अपने नए ज्यामितीय वेटिंग मेथड को कॉम्पैक्टली सपोर्टेड फंक्शन के साथ जोड़कर, वे धीमे ग्लोबल मेथड जितनी उच्च ज्यामितीय सटीकता प्राप्त कर सकते हैं। इस हाइब्रिड दृष्टिकोण ने आवश्यक मेमोरी और बड़े पॉइंट क्लाउड्स को प्रोसेस करने के लिए लगने वाले समय को काफी कम कर दिया, जिससे हजारों बिंदुओं से जटिल सतहों का पुनर्निर्माण मिनटों के बजाय सेकंडों में करना संभव हो गया।

अध्ययन ने स्पष्ट रूप से कुछ अन्य गणितीय कार्यों के उपयोग को खारिज कर दिया जो दूरी पर फीके नहीं पड़ते, यह पाते हुए कि उनके संयोजन से पुनर्निर्माण अस्थिर हो जाता है और अत्यधिक दोलन (oscillate) करने लगता है। शोधकर्ता ने प्रदर्शित किया कि उनका तरीका तब सबसे अच्छा काम करता है जब प्रभाव त्रिज्या (influence radius) को बिंदुओं के घनत्व और चुने गए एंकरों की संख्या के अनुसार गतिशील रूप से अनुकूलित किया जाता है। अपने परीक्षणों में, वे एंकर बिंदुओं की संख्या को 80 प्रतिशत तक कम करने में सक्षम रहे और साथ ही उत्कृष्ट पुनर्निर्माण गुणवत्ता बनाए रखी, जिससे यह सिद्ध हुआ कि केंद्रों का एक छोटा, स्मार्ट सेट पूरे क्लाउड के हर बिंदु का उपयोग करने से अधिक प्रभावी है। अंतिम परिणाम एक ऐसी सतह है जो न केवल गणितीय रूप से चिकनी है बल्कि मूल वस्तु के प्रति दृश्य रूप से भी वफादार है, जो उन टेढ़े-मेढ़े किनारों या कृत्रिम छिद्रों से मुक्त है जो अक्सर कम परिष्कृत पुनर्निर्माण तकनीकों में देखे जाते हैं।

यह कार्य उन क्षेत्रों के लिए एक व्यावहारिक मार्ग प्रदान करता है जो 3D स्कैनिंग पर निर्भर हैं, जैसे भूभौतिकी (geophysics) से लेकर मेडिकल इमेजिंग तक, जहाँ गति और सटीकता दोनों समान रूप से महत्वपूर्ण हैं। डेटा की भौतिक वास्तविकता को समाधान की गणितीय संरचना में सीधे समाहित करके, शोधकर्ता ने एक ऐसा उपकरण बनाया है जो पिछले तरीकों की तुलना में तेज़ और अधिक सटीक है। उनके निष्कर्ष बताते हैं कि बड़े पैमाने के पॉइंट क्लाउड्स के लिए, सतह पुनर्निर्माण का भविष्य अधिक जटिल प्रशिक्षण में नहीं, बल्कि स्मार्ट, ज्यामिति-जागरूक गणितीय शॉर्टकट में निहित है जो डेटा की भौतिक प्रकृति का सम्मान करते हैं। यह कार्य इस बात का प्रमाण है कि कभी-कभी, एक जटिल समस्या को हल करने का सबसे प्रभावी तरीका यह सुनिश्चित करना है कि कंप्यूटर शुरुआत से ही दुनिया की सही विशेषताओं को देख रहा है।