Onderzoekers hebben het Register Anything Model (RAM) ontwikkeld, een uniform AI-model dat in staat is om 3D-puntwolken uit uiteenlopende omgevingen en sensoren robuust te registreren. Het model presteert volgens de auteurs beter dan gespecialiseerde systemen die slechts voor één specifiek domein zijn getraind.
In de wereld van computer vision is het nauwkeurig uitlijnen van 3D-gegevens, ook wel registratie genoemd, een complexe uitdaging. Traditionele methoden voor puntwolkregistratie zijn vaak beperkt tot één specifiek domein. Dit betekent dat een systeem dat is ontworpen voor binnenruimtes vaak slecht presteert wanneer het wordt ingezet in een buitenomgeving of bij het scannen van losse objecten. Volgens een recent onderzoek gepubliceerd via arxiv.org komt dit doordat bestaande architecturen en hyperparameters vaak te specifiek zijn afgesteld op één type data.
Een universele aanpak voor diverse domeinen
Het nieuwe Register Anything Model (RAM) probeert deze kloof te overbruggen. In plaats van een model te bouwen voor één scenario, is RAM getraind op een diverse dataset die zowel binnen- als buitenruimtes als objectdomeinen omvat. Het doel is om 6-DoF (six degrees of freedom) transformaties robuust te kunnen schatten, ongeacht de gebruikte sensor of de specifieke omgeving.
Een van de grootste hindernissen bij deze aanpak is de geometrische discrepantie tussen verschillende domeinen. Er zijn namelijk grote verschillen in schaal, de hoeveelheid ruis van de sensoren, de dichtheid van de punten en de structurele patronen van de gescande objecten. Om dit op te lossen, hebben de onderzoekers een 'geometry-aware normalization strategy' geïntroduceerd. Deze strategie zorgt ervoor dat puntwolken worden gevoxeliseerd en genormaliseerd naar een gestandaardiseerde geometrische ruimte, waarbij lokale structuren behouden blijven terwijl de resolutie wordt gestandaardiseerd.
Technologische innovaties en resultaten
Naast de normalisatie maakt RAM gebruik van een hiërarchisch 'coarse-to-fine' paradigma. Het model maakt gebruik van een efficiënte geometrische transformer die zich richt op lokale geometrische consistentie in plaats van een globale analyse van alle punten. Volgens de beschrijving in het helpt dit ontwerp om de ruis die ontstaat tijdens het voxelisatieproces te verminderen en verhoogt het de rekenkundige efficiëntie van het systeem.
De effectiviteit van het model is getest op twaalf verschillende benchmarks. De resultaten tonen aan dat RAM state-of-the-art prestaties levert op het gebied van de 'inlier ratio' en de 'registration recall'. Een opvallend resultaat is dat RAM zelfs beter presteert dan modellen die specifiek voor één enkel domein zijn getraind, wat wijst op een superieur generalisatievermogen.
Academische erkenning en beschikbaarheid
Het onderzoek is geschreven door een team van experts, waaronder Zheng Qin, Junhua Xi, Yan Huang en Jiahong Lai. Het werk is officieel geaccepteerd voor de conferentie , een van de meest prestigieuze platforms voor onderzoek naar neurale netwerken en machine learning. De auteurs hebben aangegeven dat zowel de code als de modellen beschikbaar zijn gesteld voor andere onderzoekers.
Hoewel de term 'register' in deze context verwijst naar de geometrische uitlijning van 3D-data, is dit een geheel ander vakgebied dan de commerciële registratie van digitale identiteiten. Zo richt de Belgische dienst register.be zich op het beheren van domeinnamen en hosting, een proces dat gaat over het vastleggen van webadressen in plaats van het analyseren van ruimtelijke puntwolken.
Het Register Anything Model markeert daarmee een belangrijke stap richting meer flexibele en universele 3D-visiesystemen die minder afhankelijk zijn van handmatige tuning per omgeving. De volledige details van de implementatie en de gebruikte datasets zijn terug te vinden in de .