R3PM-Net : Réseau de mise en correspondance de points en temps réel, robuste et adapté au monde réel
R3PM-Net: Real-time, Robust, Real-world Point Matching Network
April 6, 2026
Auteurs: Yasaman Kashefbahrami, Erkut Akdag, Panagiotis Meletis, Evgeniya Balmashnova, Dip Goswami, Egor Bondarau
cs.AI
Résumé
La recalibration précise de nuages de points (PCR) est une tâche importante dans le traitement de données 3D, impliquant l'estimation d'une transformation rigide entre deux nuages de points. Si les méthodes d'apprentissage profond ont permis de surmonter les limitations principales des approches traditionnelles non-apprenantes, comme la sensibilité au bruit, aux valeurs aberrantes, à l'occlusion et à l'initialisation, elles sont développées et évaluées sur des ensembles de données synthétiques, propres et denses (ce qui limite leur généralisabilité aux scénarios industriels réels). Cet article présente R3PM-Net, un réseau de mise en correspondance de points léger, global et au niveau objet, conçu pour combler cet écart en priorisant à la fois la généralisabilité et l'efficacité en temps réel. Pour soutenir cette transition, deux ensembles de données, Sioux-Cranfield et Sioux-Scans, sont proposés. Ils offrent un terrain d'évaluation pour le recalage de scans photogrammétriques et de caméras à événements imparfaits vers des modèles CAO numériques, et ont été rendus publics. Des expériences approfondies démontrent que R3PM-Net atteint une précision compétitive avec une vitesse inégalée. Sur ModelNet40, il atteint un score d'adéquation parfait de 1 et une RMSE des points conformes de 0,029 cm en seulement 0,007 s, soit environ 7 fois plus rapide que la méthode state-of-the-art RegTR. Cette performance se maintient sur l'ensemble de données Sioux-Cranfield, avec une adéquation de 1 et une RMSE des points conformes de 0,030 cm avec une latence également faible. De plus, sur l'ensemble de données très difficile Sioux-Scans, R3PM-Net résout avec succès des cas limites en moins de 50 ms. Ces résultats confirment que R3PM-Net offre une solution robuste et rapide pour les applications industrielles critiques, où la précision et les performances en temps réel sont indispensables. Le code et les ensembles de données sont disponibles à l'adresse 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.