R3PM-Net: リアルタイム、ロバスト、実世界点群マッチングネットワーク

要旨

精密な点群位置合わせ（PCR）は、2つの点群間の剛体変換を推定する3次元データ処理における重要な課題である。深層学習手法は、ノイズ、外れ値、オクルージョン、初期値への感度といった従来の非学習手法の主要な限界に対処してきたが、これらはクリーンで高密度な合成データセット上で開発・評価されている（実世界の産業シナリオへの一般化性が制限される）。本論文は、このギャップを埋めるため、一般化性とリアルタイム性の両方を優先した、軽量で大域情報を考慮するオブジェクトレベルの点群マッチングネットワークであるR3PM-Netを提案する。この移行を支援するため、Sioux-Cranfield と Sioux-Scans の2つのデータセットを提案する。これらは、不完全な写真測量スキャンおよびイベントカメラスキャンをデジタルCADモデルに位置合わせする評価の場を提供し、公開されている。大規模な実験により、R3PM-Netが比類のない速度で競争力のある精度を達成することが実証された。ModelNet40では、わずか0.007秒で完全なフィットネススコア1とインライアRMSE 0.029 cmを達成し、これは最先端手法であるRegTRよりも約7倍高速である。この性能はSioux-Cranfieldデータセットでも発揮され、同様に低レイテンシでフィットネス1、インライアRMSE 0.030 cmを維持した。さらに、非常に困難なSioux-Scansデータセットにおいて、R3PM-Netは50 ms未満でエッジケースの解決に成功した。これらの結果は、R3PM-Netが精度とリアルタイム性能が不可欠な重要な産業アプリケーション向けに、ロバストで高速なソリューションを提供することを確認している。コードとデータセットは https://github.com/YasiiKB/R3PM-Net で利用可能である。

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: リアルタイム、ロバスト、実世界点群マッチングネットワーク

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

要旨

Support