通过异常合成提升全局-局部特征匹配，用于多类点云异常检测
计算机视觉与模式识别
2025-05-13 v1
摘要
点云异常检测是各种工业应用的关键。不断增长的产品类别导致计算和存储成本的增加，限制了单类无监督方法的应用，迫切需要发展多类无监督方法。然而，来自不同类别数据的正常点和异常点之间的特征相似性导致特征混淆问题，严重阻碍了多类方法的性能。因此，我们引入了一种名为 GLFM 的多类点云异常检测方法，利用全局-局部特征匹配逐步分离易混淆的数据。具体而言，GLFM 由三个阶段构成：Stage-I 提出一种异常合成 pipeline，将点云拉伸以创建丰富的异常数据，用于适应点云特征提取器以获得更好的特征表示。Stage-II 根据训练数据中全局和局部特征分布建立 global 和 local memory banks，以弱化特征混淆对 memory bank 建立的影响。Stage-III 实现基于其与 global 和 local memory banks 特征距离的 test data 异常检测。在 MVTec 3D-AD、Real3D-AD 和 actual industry parts dataset 上的广泛实验表明，我们提出的 GLFM 在点云异常检测方面表现优异。代码可在 https://github.com/hustCYQ/GLFM-Multi-class-3DAD 获取。
引用
@article{arxiv.2505.07375,
title = {Boosting Global-Local Feature Matching via Anomaly Synthesis for Multi-Class Point Cloud Anomaly Detection},
author = {Yuqi Cheng and Yunkang Cao and Dongfang Wang and Weiming Shen and Wenlong Li},
journal= {arXiv preprint arXiv:2505.07375},
year = {2025}
}
备注
12 pages, 12 figures