R3PM-Net: 실시간 강건 실환경 포인트 매칭 네트워크

초록

정확한 포인트 클라우드 정합(Point Cloud Registration, PCR)은 두 포인트 클라우드 간의 강체 변환을 추정하는 3D 데이터 처리의 중요한 과제입니다. 딥러닝 방법은 노이즈, 이상치, 폐색 및 초기화에 대한 민감성과 같은 기존 비학습 방식의 주요 한계를 해결했지만, 깨끗하고 조밀한 합성 데이터셋 위주로 개발 및 평가되어 실제 산업 현장에의 일반화가 제한됩니다. 본 논문은 이러한 격차를 해소하기 위해 일반화성과 실시간 효율성을 모두 우선시하는 경량화된 전역 인식 객체 수준 포인트 정합 네트워크인 R3PM-Net을 소개합니다. 이러한 전환을 지원하기 위해 Sioux-Cranfield와 Sioux-Scans 두 데이터셋을 제안합니다. 이 데이터셋은 불완전한 사진측량 및 이벤트 카메라 스캔을 디지털 CAD 모델에 정합하는 평가의 장을 제공하며 공개되었습니다. 폭넓은 실험을 통해 R3PM-Net이 빠른 속도에서도 경쟁력 있는 정확도를 달성함을 입증합니다. ModelNet40에서 단 0.007초 만에 완벽한 피트니스 점수 1과 0.029cm의 내점 RMSE를 달성하여 최신 방법인 RegTR보다 약 7배 빠릅니다. 이 성능은 Sioux-Cranfield 데이터셋에서도 유지되며, 유사한 낮은 지연 시간으로 피트니스 1과 0.030cm의 내점 RMSE를 기록합니다. 더 나아가 매우 어려운 Sioux-Scans 데이터셋에서 R3PM-Net은 50ms 미만으로 에지 케이스를 성공적으로 해결합니다. 이러한 결과는 정밀도와 실시간 성능이 필수적인 중요한 산업 애플리케이션을 위해 R3PM-Net이 강력하고 고속의 솔루션을 제공함을 확인시켜 줍니다. 코드와 데이터셋은 https://github.com/YasiiKB/R3PM-Net에서 이용 가능합니다.

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: 실시간 강건 실환경 포인트 매칭 네트워크

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

초록

Support