IAENet：基于3D点云的异常检测重要性感知集成模型
计算机视觉与模式识别
2025-08-29 v1
摘要
曲面异常检测是确保工业制造产品质量的关键技术。虽然2D图像方法取得了显著成功，但3D点云基于的检测仍鲜有探索，尽管其提供了更丰富的几何线索。我们认为关键瓶颈是缺乏与2D相当的强大预训练基础模型。为弥合这一差距，我们提出了重要性感知集成网络（Importance-Aware Ensemble Network, IAENet），一种集成框架，协同利用2D预训练专家与3D专家模型。然而，单纯融合来自不同来源的预测并非易事：现有策略可能受到性能较差模态的影响，从而降低整体准确率。为解决此问题，我们引入了新颖的重要性感知融合（Importance-Aware Fusion, IAF）模块，动态评估每个来源的贡献并对其异常评分进行重新加权。此外，我们设计了关键损失函数，显式引导IAF的优化，使其既能结合源专家的集体知识，又能保留其独特优势，从而提升异常检测的整体性能。大量实验表明，在MVTec 3D-AD数据集上，IAENet实现了新的状态最佳成绩，误报率显著降低，凸显其在工业部署中的实际价值。
引用
@article{arxiv.2508.20492,
title = {IAENet: An Importance-Aware Ensemble Model for 3D Point Cloud-Based Anomaly Detection},
author = {Xuanming Cao and Chengyu Tao and Yifeng Cheng and Juan Du},
journal= {arXiv preprint arXiv:2508.20492},
year = {2025}
}