一种轻量级旋转不变特征的 3D 异常检测方法
计算机视觉与模式识别
2025-12-16 v2
摘要
3D 异常检测（AD）是计算机视觉中的关键任务，旨在从点云数据中识别异常点或区域。然而，现有方法在处理点云数据发生姿态和位置变化时可能面临挑战，因为其特征会发生显著变化。为解决此问题，我们提出了一种名为旋转不变特征（RIF）的框架用于 3D AD。首先，为了消除点云数据变化的负面影响，我们开发了一种点坐标映射（PCM）技术，将每个点映射到旋转不变空间以保持表示的一致性。然后，为了学习稳健且判别性强的特征，我们设计了一个轻量级卷积变换特征网络（CTF-Net）用于从内存库中提取旋转不变特征。为提高特征提取器的性能，我们引入迁移学习思想，通过 3D 数据增强对特征提取器进行预训练。实验结果表明，所提方法在 Anomaly-ShapeNet 数据集上实现了平均 P-AUROC 提升 17.7%，在 Real3D-AD 数据集上也获得了最佳性能，平均 P-AUROC 提升 1.6%。RIF 的强大泛化能力通过将其与传统特征提取方法结合用于异常检测任务中得到验证，显示出在工业应用中的巨大潜力。
引用
@article{arxiv.2511.13115,
title = {A Lightweight 3D Anomaly Detection Method with Rotationally Invariant Features},
author = {Hanzhe Liang and Jie Zhou and Can Gao and Bingyang Guo and Jinbao Wang and Linlin Shen},
journal= {arXiv preprint arXiv:2511.13115},
year = {2025}
}
备注
Preprint. Accept by Pattern Recognition