Evaluación de algoritmos de detección automática de planos de simetría en nubes de puntos 3D

Abstract

La simetría es un fenómeno que se encuentra muy presente en una amplia variedad de contextos. Conocer la simetría de un objeto puede ser útil para varias aplicaciones como la reconstrucción de modelos 3D, a partir de información incompleta o para encontrar anomalías en objetos que son comúnmente simétricos. Esto motiva el desarrollo de algoritmos que detecten de manera automática las simetrías de un objeto. Dado que la detección automática de simetrías no es una tarea sencilla de resolver, se han desarrollado muchos algoritmos para esta tarea, muchos de los cuales hacen uso de modelos de aprendizaje automático. Sin embargo, comparar los algoritmos desarrollados para este problema es una tarea compleja debido a que todos han sido desarrollados y evaluados con distintos conjuntos de datos, cosa que imposibilita la comparación justa entre algoritmos. Este informe tiene por objetivo presentar la implementación y evaluación de dos modelos de aprendizaje automático, sobre un dataset especializado para esta tarea. El primer modelo está basado en PRS-Net y utiliza una red convolucional sobre una voxelización de una nube de puntos para predecir una cantidad arbitraria de simetrías de reflexión. Por otra parte, el segundo modelo ocupa una red PointNet directamente sobre la nube de puntos de input para predecir sus simetrías. Ambos modelos utilizan estrategias distintas para predecir las simetrías, por lo que resulta interesante compararlas entre sí. Los experimentos muestran que el modelo basado en PRS-Net no es capaz de aprender a detectar simetrías de manera automática, mientras que el modelo basado en SymmetryNet obtiene buenos resultados. Se investiga como varían los resultados obtenidos según el tipo de perturbación aplicado y el tipo de figura del input. Se encuentra que el tipo de perturbación no afecta los resultados obtenidos y que existen tipos de figuras para los cuales detectar sus simetrías es más complejo.