R3PM-Net: Een Netwerk voor Real-time, Robuuste en Realistische Puntcorrespondentie

Samenvatting

Nauwkeurige puntenwolkregistratie (PCR) is een belangrijke taak in 3D-gegevensverwerking, waarbij een starre transformatie tussen twee puntenwolken wordt geschat. Hoewel deep-learning-methoden belangrijke beperkingen van traditionele niet-leerbenaderingen hebben aangepakt, zoals gevoeligheid voor ruis, uitschieters, occlusie en initialisatie, worden ze ontwikkeld en geëvalueerd op schone, dichte, synthetische datasets (wat hun generaliseerbaarheid naar realistische industriële scenario's beperkt). Dit artikel introduceert R3PM-Net, een lichtgewicht, globaal-bewust, objectniveau puntenmatchingsnetwerk ontworpen om deze kloof te overbruggen door zowel generaliseerbaarheid als realtime-efficiëntie te prioriteren. Om deze transitie te ondersteunen, worden twee datasets, Sioux-Cranfield en Sioux-Scans, voorgesteld. Deze bieden een evaluatieomgeving voor het registreren van imperfecte fotogrammetrische en event-camera-scans naar digitale CAD-modellen, en zijn openbaar beschikbaar gemaakt. Uitgebreide experimenten tonen aan dat R3PM-Net een competitieve nauwkeurigheid bereikt met ongeëvenaarde snelheid. Op ModelNet40 behaalt het een perfecte fitness-score van 1 en een inlier-RMSE van 0,029 cm in slechts 0,007s, ongeveer 7 keer sneller dan de state-of-the-art methode RegTR. Deze prestaties zetten zich voort op de Sioux-Cranfield dataset, met een fitness van 1 en een inlier-RMSE van 0,030 cm bij een vergelijkbaar lage latentie. Bovendien lost R3PM-Net op de zeer uitdagende Sioux-Scans dataset succesvol edge cases op in minder dan 50 ms. Deze resultaten bevestigen dat R3PM-Net een robuuste, hoogwaardige oplossing biedt voor kritieke industriële toepassingen, waar precisie en realtime-prestaties onmisbaar zijn. De code en datasets zijn beschikbaar op 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: Een Netwerk voor Real-time, Robuuste en Realistische Puntcorrespondentie

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

Samenvatting

Support