Reconstrucción geométrica 3D basada en siluetas y escáner láser
El objetivo de la estancia es el desarrollo y la evaluación de técnicas avanzadas de reconstrucción 3D a partir de información parcial, utilizando una combinación de siluetas visuales y medidas de escáner láser. La metodología se fundamenta en representaciones implícitas neuronales (INRs) y un marco de aprendizaje positivo no etiquetado (positive-unlabeled learning), lo que permite reconstruir la geometría de objetos complejos sin necesidad de supervisión densa o mallas predefinidas. En particular, se persiguen los siguientes objetivos:
Implementar y evaluar el impacto que supone la incorporación de medidas de distancia a la silueta de los objetos, así como el uso de medidas de confianza asociadas a los puntos escaneados para mejorar la precisión geométrica.
Estudiar la viabilidad de considerar mecanismos híbridos que combinan algoritmos de k-vecinos más cercanos (KNN) con redes neuronales de grafos (GNNs) para refinar la clasificación de puntos ambiguos en la reconstrucción.
Adaptar el enfoque resultante para aplicarlo como data augmentation en escenarios industriales con el fin de generar datos sintéticos 3D.
La estancia favorece la línea de investigación de la tesis doctoral de manera fundamental al proporcionar una solución alternativa y directa a una de las limitaciones más críticas que afronta, esto es, la escasez de datos anotados de calidad para entrenar modelos de visión artificial en la industria. Más específicamente, la estancia estimula algunos objetivos de la tesis de la siguiente manera:
Generación de objetos 3D para data augmentation. Con el enfoque bajo estudio se pueden obtener precisas reconstrucciones geométricas 3D de objetos de interés y emplearlas para generar escenas sintéticas realistas que los incorporen. Las estrategias de aumento de datos son uno de los pilares fundamentales detrás de la investigación doctoral de esta tesis.
Reducción del coste de anotación. Al conocer con precisión la geometría de los objetos reconstruidos, es posible generar automáticamente el ground truth para distintas tareas de visión por computador. Esto elimina la necesidad de un costoso y laborioso proceso de etiquetado manual, un gran cuello de botella que es uno de los principales desafíos que la tesis busca resolver.
Adquisición de conocimiento especializado. La colaboración con el grupo anfitrión, un referente en reconstrucción 3D y en GNNs, permite al doctorando adquirir experiencia técnica avanzada y potenciar así en mayor medida su perfil investigador.
Fortalecimiento de la colaboración científica. La estancia fomenta la integración del doctorando en redes de investigación internacionales, lo que no solo enriquece el desarrollo actual de la tesis, sino que también establece las bases para futuras colaboraciones y líneas de trabajo.
2022
05/05/2025
05/08/2025
ITALIA
Università Ca' Foscari Venezia (Ca' Foscari University of Venice)
Artificial Intelligence and Image Understanding Lab
La investigación desarrollada durante la estancia ha sentado las bases para explorar mejoras sobre reconstrucción 3D de superficies, evaluando enfoques que integran información geométrica con el fin de refinar el resultado.
En este sentido, los primeros resultados obtenidos con soluciones basadas en distancias son prometedores. Se espera seguir profundizando en esta línea de trabajo para optimizar la fidelidad geométrica de la reconstrucción, pues se considera una vía con gran potencial de mejora.
Estos avances, a su vez, abren la puerta a una segunda línea de investigación más avanzada, centrada en el uso de GNNs. El objetivo sería explorar las relaciones espaciales entre los puntos para refinar la clasificación de regiones ambiguas, buscando una solución aún más robusta.
Se prevé que estas líneas de trabajo se sigan investigando en colaboración con el grupo anfitrión. La continuidad de esta sinergia se entiende fundamental para explorar y consolidar los caminos que esta estancia ha iniciado. Además, se considera esencial mantener un contacto activo con dicho grupo una vez finalizadas estas labores con el fin de dar continuidad a posibles nuevas colaboraciones. En definitiva, se espera que los conocimientos adquiridos y la colaboración establecida sí permitan originar nuevas y prometedoras líneas de investigación futura.
