利用双提示点语言模型进行3D异常检测
计算机视觉与模式识别
2025-02-18 v1 人工智能
摘要
3D 点云中的异常检测（AD）在广泛的工业应用中至关重要，尤其是在各种形式的精密制造中。考虑到工业对可靠 3D AD 的需求，已开发了多种方法。然而，这些方法中的大多数通常需要为每个类别训练单独的模型，这既消耗内存又缺乏灵活性。在本文中，我们提出了一种新颖的具有双提示的点语言模型，用于 3D 异常检测（PLANE）。该方法利用多模态提示，将预训练点语言模型（PLM）的强大泛化能力扩展到 3D 点云 AD 领域，通过单一模型在多个类别上实现了令人瞩目的检测性能。具体而言，我们提出了一种双提示学习方法，结合了文本提示和点云提示。该方法利用动态提示生成模块（DPCM）生成样本特定的动态提示，然后与每个模态的类别特定静态提示有效结合，从而驱动 PLM。此外，基于点云数据的特性，我们提出了一种伪 3D 异常生成方法（Ano3D），以在无监督设置下提升模型的检测能力。实验结果表明，所提出的方法在多类单模型范式下，与 Anomaly-ShapeNet 数据集上最先进的单类单模型方法相比，在异常检测和定位性能上获得了 +8.7%/+17% 的提升，并在 Real3D-AD 数据集上获得了 +4.3%/+4.1% 的提升。代码将在发表时公开。
引用
@article{arxiv.2502.11307,
title = {Exploiting Point-Language Models with Dual-Prompts for 3D Anomaly Detection},
author = {Jiaxiang Wang and Haote Xu and Xiaolu Chen and Haodi Xu and Yue Huang and Xinghao Ding and Xiaotong Tu},
journal= {arXiv preprint arXiv:2502.11307},
year = {2025}
}
备注
10 pages, 7 figures