CASL：基于曲率增强的自监督学习用于 3D 异常检测
计算机视觉与模式识别
2025-11-18 v1
摘要
深度学习方法在 3D 异常检测方面显示出显著潜力。然而，许多方法专为异常检测任务设计，限制了其对其他 3D 理解任务的通用性。相比之下，自监督点云模型旨实现通用表征学习，但我们发现这些经典模型在统一微调范式下对异常检测并不次佳。这促使我们开发一种更通用的 3D 模型，能够在不依赖任务特定设计的情况下有效检测异常。有趣的是，我们发现仅使用每个点的曲率作为异常得分就能超过几个经典自监督和专用异常检测模型，凸显了曲率在 3D 异常检测中的关键作用。本文提出一种基于重建范式的曲率增强自监督学习 (CASL) 框架。基于经典 U-Net 架构，我们的方法引入多尺度曲率提示以引导解码器预测每个点的空间坐标。通过简单易行的异常分类微调，无需依赖任何专用异常检测机制，即可实现领先的检测性能。此外，所学表征对标准 3D 理解任务（如点云分类）也能很好地泛化。代码已公开于 https://github.com/zyh16143998882/CASL。
引用
@article{arxiv.2511.12909,
title = {CASL: Curvature-Augmented Self-supervised Learning for 3D Anomaly Detection},
author = {Yaohua Zha and Xue Yuerong and Chunlin Fan and Yuansong Wang and Tao Dai and Ke Chen and Shu-Tao Xia},
journal= {arXiv preprint arXiv:2511.12909},
year = {2025}
}
备注
Accepted to AAAI 2026