في عالم التقنيات الحديثة، يعتبر تقسيم الكائنات ثلاثية الأبعاد من المهام البارزة في تحليل البيانات، ويهدف إلى استخراج أقنعة للكائنات من السحب النقطية مع الحد الأدنى من نقرات المستخدم. على الرغم من التقدم الملحوظ في هذا المجال، إلا أن العديد من الحلول الحالية تواجه صعوبات، مثل الدقة المحدودة التي تؤدي إلى تشوش الحدود الدقيقة مع نقرات قليلة، بالإضافة إلى وجود الأخطاء الإيجابية الكاذبة الناتجة عن هياكل خلفية مربكة.

لتجاوز هذه التحديات، قدم فريق من الباحثين نظام NegROI الجديد، الذي يستند إلى نموذج التحويل (Transformer). يعمل هذا النظام على دمج تحسينات متعددة الدقة مع توجيهات سلبية مشروطة بالمشهد، مما يحسن من دقة العمليات وتقليل الأخطاء في النتيجة النهائية.

يقوم نظام NegROI بتحسين الإدارة في منطقة معينة (Region Of Interest - ROI) حول النقرة الحالية بعد تحديد توقعات بدائية على شبكة أكثر دقة، مما يضمن دمج المعلومات المعززة مرة أخرى بنفس فعالية الأساليب الأخرى مع تحسن ملحوظ.

ولزيادة القدرة على التعامل مع البيانات المتنوعة، يقدم النظام تحسينات انتقائية مدفوعة بالشك، حيث يُعطى الأولوية للمناطق الغامضة. كما أن استخدام التوجيهات السلبية المستوحاة من المشهد من خلال الانتباه المتبادل يعزز من قدرة النموذج على التعلم.

تشير التجارب التي أُجريت على مجموعات البيانات الشهيرة مثل ScanNet وS3DIS وKITTI إلى فعالية هذا النظام، حيث أظهرت النتائج تحسينًا في كفاءة النقر وتقليل الأخطاء الإيجابية الكاذبة مقارنة بالحلول الحالية في السوق. إن هذه التطورات تحمل آمالًا جديدة لمستقبل التقنيات الذكية في تقسيم الكائنات ثلاثية الأبعاد.