在巨型点云场景中寻找异常值：大规模点云异常检测
计算机视觉与模式识别
2025-08-27 v2 人工智能
摘要
LiDAR扫描在户外场景中可获取广覆盖范围的精确距离测量，产生大规模点云数据。此类数据典型应用包括机器人、汽车和野外监视等。在这些应用期间，来自训练数据之外的异常物体必然会出现。我们的研究贡献了一种新颖的开放集分割方法，借鉴了目标缺陷检测研究的经验。我们还利用Mamba架构在利用长程依赖和大规模数据方面的卓越性能。将两者结合，我们创建了一种基于重建的方法，用于户外场景开放集分割任务。我们展示了该方法不仅适用于我们自己的开放集分割方法，还能提升现有方法的性能。此外，我们贡献了一个在挑战性大规模点云数据上与现有基于体素卷积方法竞争的Mamba架构。
引用
@article{arxiv.2508.17634,
title = {Finding Outliers in a Haystack: Anomaly Detection for Large Pointcloud Scenes},
author = {Ryan Faulkner and Luke Haub and Simon Ratcliffe and Tat-Jun Chin},
journal= {arXiv preprint arXiv:2508.17634},
year = {2025}
}
备注
arXiv Preprint, paper has since been accepted to ACPR 2025