R3PM-Net: Rete per il Matching di Punti in Tempo Reale, Robusta e per il Mondo Reale
R3PM-Net: Real-time, Robust, Real-world Point Matching Network
April 6, 2026
Autori: Yasaman Kashefbahrami, Erkut Akdag, Panagiotis Meletis, Evgeniya Balmashnova, Dip Goswami, Egor Bondarau
cs.AI
Abstract
La registrazione accurata delle nuvole di punti (PCR) è un compito importante nell'elaborazione di dati 3D, che coinvolge la stima di una trasformazione rigida tra due nuvole di punti. Sebbene i metodi di deep learning abbiano affrontato le principali limitazioni degli approcci tradizionali non basati sull'apprendimento, come la sensibilità a rumore, valori anomali, occlusione e inizializzazione, essi sono sviluppati e valutati su dataset sintetici puliti e densi (limitando la loro generalizzabilità a scenari industriali del mondo reale). Questo articolo introduce R3PM-Net, una rete leggera, globale e a livello di oggetto per il matching di punti, progettata per colmare questa lacuna dando priorità sia alla generalizzabilità che all'efficienza in tempo reale. Per supportare questa transizione, vengono proposti due dataset, Sioux-Cranfield e Sioux-Scans. Essi forniscono un terreno di valutazione per la registrazione di scansioni fotogrammetriche imperfette e di telecamere ad eventi con modelli CAD digitali, e sono stati resi pubblicamente disponibili. Esperimenti estensivi dimostrano che R3PM-Net raggiunge un'accuratezza competitiva con una velocità senza pari. Su ModelNet40, raggiunge un punteggio di fitness perfetto di 1 e un RMSE degli inlier di 0,029 cm in soli 0,007s, approssimativamente 7 volte più veloce del metodo state-of-the-art RegTR. Questa performance si mantiene sul dataset Sioux-Cranfield, mantenendo un fitness di 1 e un RMSE degli inlier di 0,030 cm con una latenza similmente bassa. Inoltre, sul dataset altamente impegnativo Sioux-Scans, R3PM-Net risolve con successo casi limite in meno di 50 ms. Questi risultati confermano che R3PM-Net offre una soluzione robusta e ad alta velocità per applicazioni industriali critiche, dove precisione e prestazioni in tempo reale sono indispensabili. Il codice e i dataset sono disponibili su 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.