R3PM-Net: Rede de Correspondência de Pontos em Tempo Real, Robusta e para Cenários do Mundo Real

Resumo

A Registração Precisa de Nuvens de Pontos (PCR) é uma tarefa importante no processamento de dados 3D, envolvendo a estimativa de uma transformação rígida entre duas nuvens de pontos. Embora os métodos de *deep learning* tenham abordado limitações-chave das abordagens tradicionais não baseadas em aprendizagem, como a sensibilidade a ruído, *outliers*, oclusão e inicialização, eles são desenvolvidos e avaliados em conjuntos de dados sintéticos, limpos e densos (limitando sua generalização para cenários industriais do mundo real). Este artigo introduz a R3PM-Net, uma rede leve, de correspondência de pontos a nível de objeto e com consciência global, projetada para preencher esta lacuna priorizando tanto a generalização quanto a eficiência em tempo real. Para apoiar esta transição, são propostos dois conjuntos de dados, Sioux-Cranfield e Sioux-Scans. Eles fornecem um terreno de avaliação para registrar digitalizações fotogramétricas e de câmeras de eventos imperfeitas em modelos CAD digitais, e foram disponibilizados publicamente. Experimentos extensivos demonstram que a R3PM-Net alcança precisão competitiva com velocidade incomparável. No ModelNet40, atinge uma pontuação de ajuste perfeita de 1 e um RMSE de *inliers* de 0,029 cm em apenas 0,007s, aproximadamente 7 vezes mais rápido que o método state-of-the-art RegTR. Este desempenho transfere-se para o conjunto de dados Sioux-Cranfield, mantendo um ajuste de 1 e um RMSE de *inliers* de 0,030 cm com latência igualmente baixa. Além disso, no altamente desafiador conjunto de dados Sioux-Scans, a R3PM-Net resolve com sucesso casos extremos em menos de 50 ms. Estes resultados confirmam que a R3PM-Net oferece uma solução robusta e de alta velocidade para aplicações industriais críticas, onde a precisão e o desempenho em tempo real são indispensáveis. O código e os conjuntos de dados estão disponíveis em 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: Rede de Correspondência de Pontos em Tempo Real, Robusta e para Cenários do Mundo Real

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

Resumo

Support