G$^{2}$SF-MIAD：用于多模态工业异常检测的几何引导分数融合
图像与视频处理
2025-07-30 v2
摘要
工业质量检测在现代制造业中通过在生产过程中识别缺陷产品发挥着关键作用。虽然使用3D点云或2D RGB图像的单模态方法存在信息不完整的问题，但多模态异常检测通过跨模态数据的互补融合提供了前景。然而，现有方法在有效整合单模态结果和提高判别能力方面面临挑战。为了解决这些局限性，我们首先将单模态中的基于记忆库的异常分数重新解释为局部特征空间中的各向同性欧几里得距离。从欧几里得度量动态演变而来，我们提出了一种新颖的\underline{G}eometry-\underline{G}uided \underline{S}core \underline{F}usion（GSF）框架，该框架逐步学习一个各向异性的局部距离度量作为融合任务的统一分数。通过几何编码算子，提出了一种新颖的局部尺度预测网络（LSPN）来预测表征一阶局部特征分布的方向感知缩放因子，从而增强正常和异常模式之间的区分度。此外，我们从几何先验中开发了专门的损失函数和分数聚合策略，以确保度量的泛化性和有效性。在MVTec-3D AD和Eyecandies数据集上的全面评估证明了我们方法的最先进检测性能，详细的消融分析验证了每个组件的贡献。我们的代码可在 https://github.com/ctaoaa/G2SF 获取。
引用
@article{arxiv.2503.10091,
title = {G$^{2}$SF-MIAD: Geometry-Guided Score Fusion for Multimodal Industrial Anomaly Detection},
author = {Chengyu Tao and Xuanming Cao and Juan Du},
journal= {arXiv preprint arXiv:2503.10091},
year = {2025}
}