III Simposio de Postgrado 2025: Ingeniería, ciencia e innovación

02 51 *E-mail: iaguirre@dcc.uchile.cl Isaac Aguirre ¹* Iván Sipirán ¹ ¹ Departamento de Ciencias de la Computación, Universidad de Chile Enhancing Feature Backprojection for Robust 3D Symmetry Detection Resumen La visión computacional y el aprendizaje profundo han revolucionado la forma en las que las máquinas interpretan la información visual. En el análisis de ob- jetos 3D, la información del objeto está codificada como vectores de números, usualmente llamados descriptores, que capturan la geometría, patrones o textu- ras del objeto de la misma forma como los humanos las perciben a simple vista. La detección de simetrías es una tarea específica en la que mediante descrip- tores es posible detectar usando algoritmos o inteligencia artificial planos de simetrías en objetos 3D. Actualmente existe un método llamado retroproyección de características de imágenes o Feature Backprojection (FBP), el cual consiste en la captura de imágenes alrededor de un objeto 3D a las cuales mediante una red neuronal de visión computacional se les calculan descriptores que luego se envían de vuelta a la superficie del objeto. En el trabajo se proponen mejoras a la metodología de FBP, como lo son dis- tribuir de forma más uniforme los puntos de captura de imágenes al objeto 3D, como también la rotación de estas imágenes, y así obtener descriptores más robustos para la detección de simetrías. La finalidad es utilizar estos nuevos des- criptores para detectar, mediante un algoritmo, simetrías planares y axiales tan- to para objetos intactos como para objetos con alguna transformación geomé- trica, como lo son rotaciones, adición de ruido o extracción de partes. Los resultados preliminares se muestran competitivos frente a otros del estado del arte al momento de detectar planos de simetría en un conjunto de datos de objetos 3D definidos. Actualmente la metodología propuesta es prometedo- ra y permite obtener descriptores robustos para la detección de simetrías, con posibles aplicaciones como análisis de objetos arqueológicos completos o con partes faltantes. Se espera poder extender su aplicación a reconstrucción, seg- mentación u otros problemas relacionados al análisis de objetos 3D. Tabla 1: Resultados preliminares en detección de planos frente a un método del estado del arte, que utiliza una red neuronal. Se utilizan las métricas SDE (Symmetry Distance Error), que mide la distancia entre el plano detectado y el original del conjunto de datos (menor es mejor) y F-score, que evalúa si los planos detectados son efectivamente planos de simetría (mayor es mejor), métricas estándar para este tipo de evaluaciones. __Referencias [1] Maxime Oquab et al., DINOv2: Learning Robust Visual Features without Supervision. (2023) [2] Ren-Wu Li et al., E3Sym: Leveraging E(3) Invariance for Unsupervised 3D Planar Reflective Symmetry Detection. (2023)