地质网络:为牙点云细分进行几何指导的训练
1Department of Electronic Engineering, The Chinese University of Hong Kong, Hong Kong SAR, PR China.
Journal of dental research
|November 16, 2024
概括
Geo-Net是一个新的自我监督框架,使用未标记的数据增强了3D牙细分. 它通过利用几何特征来提高正应用中的精度,优于监督方法.
科学领域:
- 计算机视觉 计算机视觉
- 医疗成像医学成像
- 矯正牙科 矯正牙科是一種矯正牙科.
背景情况:
- 精确的3D牙细分对于正牙应用至关重要.
- 对细分的监督学习方法需要大量,劳动密集的注释数据集.
- 现有的方法在标记数据的规模和注释成本方面扎.
研究的目的:
- 开发一个自我监督的预培训框架 (Geo-Net),以改善3D牙点云细分.
- 利用大规模的未标记数据来减少对注释数据集的依赖.
- 通过结合几何信息来增强细分性能.
主要方法:
- 提出了一个自主监督的预训框架,Geo-Net,基于可扩展的掩盖自动编码器.
- 引入了曲率感知补丁算法 (CPA) 来组装由点曲率指导的信息补丁.
- 开发了规模意识重建 (SCR) 用于跨网络层进行多重重建,以增强规模意识建模.
主要成果:
- 地质网络显著提高了3D牙点云上的细分性能.
- 该框架实现了优于监督方法与同等标记数据相比,联盟的平均交叉点 (mIoU).
- 用未标记数据进行自我监督的预训练提高了细分精度.
结论:
- 地质网络有效地利用大规模的未标记数据进行3D牙细分.
- 拟议的几何导向预训练提高了细分模型的容量.
- 这种方法为需要精确的牙划线的正牙应用提供了可扩展和高效的解决方案.


