محققان در پژوهشی جدید، فریمورک نوآورانه MDND را معرفی کردهاند که یادگیری بدون نظارت را در مدلهای «نگاشت تابعی» (Functional Maps) متحول میکند.
مشکل اصلی مدلهای فعلی، وابستگی شدید به «دیفرانسیلپذیری» بود که مانع استفاده از تکنیکهای دقیقسازی غیردیفرانسیل میشد. مدل MDND با ترکیب هوشمندانه دو شاخه «دیفرانسیلپذیر» و «غیردیفرانسیل»، توانسته است دقت تطبیق اشکال (Shape Correspondence) را بهویژه در اجسام دارای تغییر شکل غیرایزومتریک و نویزهای توپولوژیک به شدت افزایش دهد.
این مدل با آموزش سیستم برای یادگیری از نتایجِ فوقدقیقِ شاخه غیردیفرانسیل، استانداردهای جدیدی را در بینایی ماشین و پردازش هندسی سه بعدی تعیین کرده است.
منبع: arXiv Computer Vision