R3PM-Net：リアルタイムで堅牢、実環境向けポイントマッチングネットワーク

要旨: 正確なポイントクラウド登録（PCR）は、2つのポイントクラウド間の剛体変換を推定することを含む、3Dデータ処理における重要な課題である。深層学習手法は、ノイズ、外れ値、遮蔽、初期化に対する感度といった従来の非学習型アプローチの主要な制限に対処してきたが、それらはクリーンで密な合成データセット上で開発・評価されており、そのため実世界の産業シナリオへの汎化性が制限されている。本論文では、このギャップを埋めるために、汎化性とリアルタイム効率の両方を優先する、軽量でグローバル対応のオブジェクトレベル点対応ネットワークであるR3PM-Netを提案する。これを支援するために、Sioux-CranfieldおよびSioux-Scansの2つのデータセットを提案する。これらは、不完全なフォトグラメトリスキャンおよびイベントカメラスキャンをデジタルCADモデルに登録するための評価基盤を提供し、公に利用可能にしている。大規模な実験により、R3PM-Netが、比類のない速度で競争力のある精度を達成することを示す。ModelNet40では、適合度スコア1、およびインライアRMSE 0.029 cmを、わずか0.007秒で達成しており、最先端手法RegTRの約7倍高速である。この性能はSioux-Cranfieldデータセットにも引き継がれ、適合度1を維持しつつ、インライアRMSE 0.030 cmを同様に低いレイテンシで達成する。さらに、極めて難しいSioux-Scansデータセット上では、R3PM-Netは50 ms未満でエッジケースを正常に解決する。これらの結果は、精度とリアルタイム性能が不可欠である重要な産業用途において、R3PM-Netが堅牢で高速な解決策を提供することを裏付けている。コードとデータセットはhttps://github.com/YasiiKB/R3PM-Netで公開されている。