C3D-AD：基于内核注意力与可学习导师的持续 3D 异常检测
计算机视觉与模式识别
2025-08-05 v1 机器学习
摘要
3D 异常检测(AD)在检测高精度工业产品的异常或缺陷方面显示出巨大的潜力。然而，现有方法通常以特定类别为训练，缺乏从新出现的类别中学习的能力。本研究提出了名为持续 3D 异常检测(C3D-AD)的持续学习框架，既能学习多类点云的通用表征，又能处理随时间涌现的新类别。具体而言，在特征提取模块中，引入基于随机特征图层的核注意力机制(KAL)，高效地从不同任务中不同产品类型的局部特征，并对特征空间进行归一化。然后，在编码器和解码器中，提出基于可学习导师的核注意力机制(KAA)，学习新类别的信息，同时在两者之间丢弃冗余的旧信息。最后，通过设计表示重排损失函数，提出重建参数扰动(RPP)模块，以保持跨任务的表示一致性，确保模型记忆以前的类别信息并返回类别自适应的表示。大量实验在三个公开数据集上表明所提出方法的有效性，在Real3D-AD、Anomaly-ShapeNet 和 MulSen-AD 上分别实现了66.4%、83.1% 和63.4% 的平均 AUROC。
引用
@article{arxiv.2508.01311,
title = {C3D-AD: Toward Continual 3D Anomaly Detection via Kernel Attention with Learnable Advisor},
author = {Haoquan Lu and Hanzhe Liang and Jie Zhang and Chenxi Hu and Jinbao Wang and Can Gao},
journal= {arXiv preprint arXiv:2508.01311},
year = {2025}
}
备注
We have provided the code for C3D-AD with checkpoints and BASELINE at this link: https://github.com/hzzzzzhappy/CL3AD