R3PM-Net: Red en Tiempo Real para el Emparejamiento Robusto de Nubes de Puntos en Escenarios del Mundo Real

Resumen

La Registración Precisa de Nubes de Puntos (PCR) es una tarea importante en el procesamiento de datos 3D, que implica la estimación de una transformación rígida entre dos nubes de puntos. Si bien los métodos de aprendizaje profundo han abordado limitaciones clave de los enfoques tradicionales no basados en aprendizaje, como la sensibilidad al ruido, valores atípicos, oclusión e inicialización, estos se desarrollan y evalúan en conjuntos de datos sintéticos, limpios y densos (lo que limita su generalización a escenarios industriales del mundo real). Este artículo presenta R3PM-Net, una red ligera, de conciencia global y de emparejamiento de puntos a nivel de objetos, diseñada para cerrar esta brecha priorizando tanto la generalización como la eficiencia en tiempo real. Para apoyar esta transición, se proponen dos conjuntos de datos, Sioux-Cranfield y Sioux-Scans. Estos proporcionan un terreno de evaluación para registrar escaneos fotogramétricos y de cámaras de eventos imperfectos con modelos CAD digitales, y se han puesto a disposición del público. Experimentos exhaustivos demuestran que R3PM-Net logra una precisión competitiva con una velocidad inigualable. En ModelNet40, alcanza una puntuación de ajuste perfecta de 1 y un RMSE de inliers de 0.029 cm en solo 0.007s, aproximadamente 7 veces más rápido que el método de vanguardia RegTR. Este rendimiento se traslada al conjunto de datos Sioux-Cranfield, manteniendo un ajuste de 1 y un RMSE de inliers de 0.030 cm con una latencia igualmente baja. Además, en el conjunto de datos altamente desafiante Sioux-Scans, R3PM-Net resuelve con éxito casos límite en menos de 50 ms. Estos resultados confirman que R3PM-Net ofrece una solución robusta y de alta velocidad para aplicaciones industriales críticas, donde la precisión y el rendimiento en tiempo real son indispensables. El código y los conjuntos de datos están disponibles en https://github.com/YasiiKB/R3PM-Net.

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: Red en Tiempo Real para el Emparejamiento Robusto de Nubes de Puntos en Escenarios del Mundo Real

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

Resumen

Support