في عالم تكنولوجيا LiDAR، يعد تسجيل البيانات نقطة حرجة لتحقيق نتائج دقيقة وموثوقة. ومع تقدم الأساليب المستندة إلى التعلم، تتزايد التحديات المرتبطة بالتباينات في كثافة النقاط وأنماط المسح وزوايا الرؤية. ولكن، بفضل الابتكار الجديد المعروف باسم CVSD-Reg، يبدو أن الأمور ستتغير إلى الأفضل.

يستند CVSD-Reg إلى استخدام نماذج بصرية لإنشاء تمثيلات LiDAR أقوى وأكثر مقاومة للتغيرات. في المرحلة الأولى، يتم تدريب نموذج Point Transformer V3 بواسطة نموذج DINOv2 الثابت باستخدام تقنيات تكرار متباين وتوافق هندسي كروي، مما يساعد في الحفاظ على بنية الفضاء الهليوم الهندسي للتعلم.

ثم يتم تكييف التمثيل الناتج لتقنيات التسجيل عبر التعلم بالمطابقة وتعزيز البيانات بنقاط سيدة. من خلال تقنيات مثل الانتباه لنوعية الكثافة والتكييف التام لوضعية البيانات، يحقق CVSD-Reg نتائج مثيرة للإعجاب عبر عدة بيانات اختبار مثل KITTI وnuScenes وHeLiPR.

في الواقع، سجل CVSD-Reg تحقيق نسب نجاح ستراتيجية تنافسية بلغت 97.7% و99.0% و99.3%، متفوقًا بشكل كبير على الطرق التقليدية لتسجيل البيانات الهندسية.

مع هذا الحل المبتكر، يفتح CVSD-Reg آفاق جديدة لتطبيقات LiDAR، مما يجعله أداة لا غنى عنها للمستقبل.