R3PM-Net: Echtzeit-, Robust- und Echtwelt-Punktvergleichsnetzwerk

Zusammenfassung

Eine präzise Punktwolkenregistrierung (PCR) ist eine wichtige Aufgabe in der 3D-Datenverarbeitung, bei der eine starre Transformation zwischen zwei Punktwolken geschätzt wird. Während Deep-Learning-Methoden zentrale Schwächen traditioneller nicht-lernender Ansätze – wie die Empfindlichkeit gegenüber Rauschen, Ausreißern, Verdeckungen und der Initialisierung – adressiert haben, werden sie auf sauberen, dichten, synthetischen Datensätzen entwickelt und evaluiert, was ihre Generalisierbarkeit auf reale Industrieszenarien einschränkt. Dieses Paper stellt R3PM-Net vor, ein leichtgewichtiges, global-wahrnehmendes, objektbasiertes Punktzuordnungsnetzwerk, das entwickelt wurde, um diese Lücke zu schließen, indem es sowohl Generalisierbarkeit als auch Echtzeiteffizienz priorisiert. Um diesen Übergang zu unterstützen, werden zwei Datensätze, Sioux-Cranfield und Sioux-Scans, vorgeschlagen. Diese bieten eine Evaluierungsgrundlage für die Registrierung unvollkommener photogrammetrischer und Event-Kamera-Scans mit digitalen CAD-Modellen und sind öffentlich verfügbar. Umfangreiche Experimente zeigen, dass R3PM-Net eine wettbewerbsfähige Genauigkeit mit unübertroffener Geschwindigkeit erreicht. Auf ModelNet40 erzielt es einen perfekten Fitness-Score von 1 und einen Inlier-RMSE von 0,029 cm in nur 0,007 s – etwa 7-mal schneller als die State-of-the-Art-Methode RegTR. Diese Leistung setzt sich auf dem Sioux-Cranfield-Datensatz fort, wo es eine Fitness von 1 und einen Inlier-RMSE von 0,030 cm bei ähnlich geringer Latenz beibehält. Darüber hinaus löst R3PM-Net auf dem äußerst anspruchsvollen Sioux-Scans-Datensatz erfolgreich Grenzfälle in unter 50 ms. Diese Ergebnisse bestätigen, dass R3PM-Net eine robuste, hochgeschwindigkeitsfähige Lösung für kritische industrielle Anwendungen bietet, bei denen Präzision und Echtzeitleistung unverzichtbar sind. Der Code und die Datensätze sind unter https://github.com/YasiiKB/R3PM-Net verfügbar.

English

Accurate Point Cloud Registration (PCR) is an important task in 3D data processing, involving the estimation of a rigid transformation between two point clouds. While deep-learning methods have addressed key limitations of traditional non-learning approaches, such as sensitivity to noise, outliers, occlusion, and initialization, they are developed and evaluated on clean, dense, synthetic datasets (limiting their generalizability to real-world industrial scenarios). This paper introduces R3PM-Net, a lightweight, global-aware, object-level point matching network designed to bridge this gap by prioritizing both generalizability and real-time efficiency. To support this transition, two datasets, Sioux-Cranfield and Sioux-Scans, are proposed. They provide an evaluation ground for registering imperfect photogrammetric and event-camera scans to digital CAD models, and have been made publicly available. Extensive experiments demonstrate that R3PM-Net achieves competitive accuracy with unmatched speed. On ModelNet40, it reaches a perfect fitness score of 1 and inlier RMSE of 0.029 cm in only 0.007s, approximately 7 times faster than the state-of-the-art method RegTR. This performance carries over to the Sioux-Cranfield dataset, maintaining a fitness of 1 and inlier RMSE of 0.030 cm with similarly low latency. Furthermore, on the highly challenging Sioux-Scans dataset, R3PM-Net successfully resolves edge cases in under 50 ms. These results confirm that R3PM-Net offers a robust, high-speed solution for critical industrial applications, where precision and real-time performance are indispensable. The code and datasets are available at https://github.com/YasiiKB/R3PM-Net.

R3PM-Net: Echtzeit-, Robust- und Echtwelt-Punktvergleichsnetzwerk

R3PM-Net: Real-time, Robust, Real-world Point Matching Network

Zusammenfassung

Support