في عالم الذكاء الاصطناعي، تُعد عملية معالجة الإطارات (Wireframe parsing) واحدة من المهام الحيوية التي تتطلب دقة وجودة عالية. حيث تسعى هذه العملية إلى استعادة مقاطع الخطوط ونقاط التقاطع لتشكيل تمثيل هندسي منظم يكون مفيدًا للعديد من المهام اللاحقة مثل التحديد والملاحة المتزامنة (Simultaneous Localization and Mapping - SLAM).

على الرغم من تطور الأساليب الحالية، تعتمد معظمها على التنبؤ بالخطوط والنقاط بشكل منفصل، مما يؤدي إلى عدم التطابق بين النتائج ويقلل من فعالية النظام. هنا، تأتي الحلول المبتكرة لـ Co-PLNet، وهو إطار تعاوني يجمع بين نقاط وخطوط الجوانب (point-line collaborative framework) ويتيح تبادل الإشارات المكانية بشكل ذكي بين المهام.

يعتمد Co-PLNet على نماذج متقدمة مثل مُرمّز التوجيه للنقاط والخطوط (Point-Line Prompt Encoder - PLP-Encoder)، الذي يقوم بتحويل الكشف المبكر إلى إشارات مكانية عن طريق ترميز الخصائص الهندسية إلى خرائط متراصة ومتناسقة. بعد ذلك، يقوم المُفكّك التوجيهي للخطوط (Cross-Guidance Line Decoder - CGL-Decoder) بتحسين التنبؤات باستخدام اهتمام متفرق معتمد على الإشارات التكميلية، مما يعزز من تناسق الخط والنقطة وكفاءتهما.

أثبتت التجارب التي تمت على مجموعتي بيانات Wireframe وYorkUrban تحقيق تحسنات ملحوظة في الدقة والصلابة، إلى جانب فعالية وقت التشغيل، مما يبرهن على جدوى هذا النظام في استشعار الهندسة المنظمة. يتوفر كود Co-PLNet على GitHub، مما يتيح للباحثين والمطورين فرصة استكشاف هذا الابتكار في معالجة الإطارات.