具有自适应块码本的层次化点-块融合用于3D形状异常检测
计算机视觉与模式识别
2026-04-07 v1
摘要
3D 形状异常检测是工业检查和几何分析中的关键任务。现有的深度学习方法通常学习正常形状的表示，通过离群分布特征检测或基于解码器的重建来识别异常。它们往往难以在多样化的异常类型和规模上泛化，例如全局几何误差（如平面位移、角度错位），且对训练过程中噪声或不完整的局部点敏感。为解决这些限制，我们提出了一种层次化点-块异常评分网络，联合建模区域部分特征和局部点特征，以实现稳健的异常推理。一个自适应块化模块集成了自监督分解以捕捉复杂的结构偏差。除了在公共基准（Anomaly-ShapeNet 和 Real3D-AD）上的评估外，我们发布了一个工业测试集，包含具有平面、角度和结构缺陷的实际 CAD 模型。在公共和工业数据集上的实验显示，性能优于 AUC-ROC 和 AUC-PR，包括在新工业异常类型上实现了40%以上的点级别改进，以及在 Real3D-AD 上实现平均对象级别提升7%，在 Anomaly-ShapeNet 上实现4%的提升，显示出强大的鲁棒性和泛化能力。
引用
@article{arxiv.2604.03972,
title = {Hierarchical Point-Patch Fusion with Adaptive Patch Codebook for 3D Shape Anomaly Detection},
author = {Xueyang Kang and Zizhao Li and Tian Lan and Dong Gong and Kourosh Khoshelham and Liangliang Nan},
journal= {arXiv preprint arXiv:2604.03972},
year = {2026}
}
备注
10 pages, 5 figures, 6 tables