R3PM-Net：实时、鲁棒、面向实际场景的点匹配网络
计算机视觉与模式识别
2026-04-13 v2 机器学习
摘要
准确的点云配准（PCR）是 3D 数据处理中的重要任务，涉及两个点云之间刚性变换的估计。虽然深度学习方法已解决传统非学习方法的关键局限性，如对噪声、离群点、遮挡和初始化的敏感性，但这些方法是在干净、稠密的合成数据集上开发和评估的（限制其在现实世界工业场景中的可泛化性）。本文引入 R3PM-Net，一种轻量级、全局感知、面向对象级别的点匹配网络，旨在弥合这一差距，优先考虑可泛化性和实时效率。为支持这一转变，提出了两个数据集，Sioux-Cranfield 和 Sioux-Scans，提供了将不完美的测绘扫描和事件相机扫描注册到数字 CAD 模型的评估基准，并已公开发布。大量实验表明，R3PM-Net 在精度和速度上均达到竞争水平。在 ModelNet40 上，它达到完美的适应度得分为 ，不规则 RMSE 为 cm，仅用时 秒，约为最先进方法 RegTR 的 7 倍。该性能在 Sioux-Cranfield 数据集上得以延续，保持适应度为 ，不规则 RMSE 为 cm，延迟同样低。此外，在高度具有挑战性的 Sioux-Scans 数据集上，R3PM-Net 能在 50 毫秒内成功解决边缘情况。这些结果确认 R3PM-Net 提供了一个稳健、高速的解决方案，适用于精度和实时性能至关重要的关键工业应用。代码和数据集已在 https://github.com/YasiiKB/R3PM-Net 上提供。
引用
@article{arxiv.2604.05060,
title = {R3PM-Net: Real-time, Robust, Real-world Point Matching Network},
author = {Yasaman Kashefbahrami and Erkut Akdag and Panagiotis Meletis and Evgeniya Balmashnova and Dip Goswami and Egor Bondarau},
journal= {arXiv preprint arXiv:2604.05060},
year = {2026}
}
备注
Accepted to CVPRw 2026 (Oral), Code and datasets at https://github.com/YasiiKB/R3PM-Net