R3PM-Net: Сеть для сопоставления точек в реальном времени, устойчивая к помехам и работающая с реальными данными

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

April 6, 2026

Авторы: Yasaman Kashefbahrami, Erkut Akdag, Panagiotis Meletis, Evgeniya Balmashnova, Dip Goswami, Egor Bondarau

cs.AI

Аннотация

Точная регистрация облаков точек (PCR) является важной задачей обработки трехмерных данных, включающей оценку жесткого преобразования между двумя облаками точек. Хотя методы глубокого обучения устранили ключевые ограничения традиционных необучаемых подходов, такие как чувствительность к шуму, выбросам, окклюзии и инициализации, они разрабатываются и тестируются на чистых, плотных синтетических наборах данных (что ограничивает их применимость в реальных промышленных сценариях). В данной статье представлена R3PM-Net — легковесная, глобально-ориентированная сеть для сопоставления объектов на уровне точек, разработанная для преодоления этого разрыва за счет приоритетного внимания как к обобщающей способности, так и к эффективности в реальном времени. Для поддержки этого перехода предложены два набора данных: Sioux-Cranfield и Sioux-Scans. Они предоставляют основу для оценки регистрации неидеальных фотограмметрических сканов и сканов с событийных камер с цифровыми CAD-моделями и находятся в открытом доступе. Многочисленные эксперименты демонстрируют, что R3PM-Net достигает конкурентоспособной точности при непревзойденной скорости. На ModelNet40 она достигает идеального показателя соответствия (fitness) 1 и RMSE инлаеров 0.029 см всего за 0.007 с, что примерно в 7 раз быстрее современного метода RegTR. Эта производительность сохраняется на наборе данных Sioux-Cranfield, поддерживая соответствие 1 и RMSE инлаеров 0.030 см при столь же низкой задержке. Кроме того, на чрезвычайно сложном наборе данных Sioux-Scans R3PM-Net успешно решает критические случаи менее чем за 50 мс. Эти результаты подтверждают, что R3PM-Net предлагает надежное высокоскоростное решение для критически важных промышленных приложений, где точность и производительность в реальном времени незаменимы. Код и наборы данных доступны по адресу 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.