欺骗深度：通过深度模拟增强三维表面异常检测
计算机视觉与模式识别
2023-11-03 v1
摘要
基于RGB的表面异常检测方法已取得显著进展。然而，某些表面异常仅凭RGB几乎不可见，因此需要引入三维信息。现有采用点云骨干网络的方法因处理速度慢而存在表征次优和适用性降低的问题。由于在工业深度数据集上重新训练为快速密集输入处理而设计的RGB骨干网络受到足够大规模数据集匮乏的阻碍。我们为应对这些挑战做出了若干贡献。(i) 我们提出了一种新颖的深度感知离散自编码器(DADA)架构，能够学习联合建模RGB与三维数据用于三维表面异常检测的通用离散潜空间。(ii) 我们通过引入一种模拟过程以在深度编码器中学习信息丰富的深度特征，解决了多样化工业深度数据集缺失的问题。(iii) 我们提出了一种新的表面异常检测方法3DSR，在具有挑战性的MVTec3D异常检测基准上，无论在精度还是处理速度方面均优于所有现有state-of-the-art。实验结果验证了我们所提方法的有效性与高效性，凸显了利用深度信息改进表面异常检测的潜力。
引用
@article{arxiv.2311.01117,
title = {Cheating Depth: Enhancing 3D Surface Anomaly Detection via Depth Simulation},
author = {Vitjan Zavrtanik and Matej Kristan and Danijel Skočaj},
journal= {arXiv preprint arXiv:2311.01117},
year = {2023}
}
备注
Accepted at WACV 2024