面向PD-REAL数据集上RGB-D异常检测的多尺度蒸馏
计算机视觉与模式识别
2026-03-20 v3
摘要
我们提出PD-REAL，一个用于三维域中无监督异常检测（AD）的新型大规模数据集。其动机在于，AD任务中仅使用2D表示可能因光照条件或拍摄角度的不确定性而无法捕捉异常的几何结构。PD-REAL完全由15个物体类别的培乐多彩泥模型组成，并专注于在受控环境中分析3D信息的潜在益处。具体而言，物体首先被制作出六种异常类型，如凹陷、裂纹或穿孔，然后在不同光照条件下拍摄以模拟真实世界检测场景。为证明3D信息的效用，我们使用市售RealSense相机采集RGB与深度图像。与现有AD任务3D数据集相比，PD-REAL的数据采集显著更廉价、易扩展且更易控制变量。此外，我们引入一种具有分层蒸馏的多尺度师生框架用于多模态异常检测。该架构克服了单尺度蒸馏方法固有的局限，后者常难以协调全局上下文与局部特征。借助来自教师网络的多级引导，学生网络能有效捕捉更丰富的特征用于异常检测。在我们的数据集上，我们的方法与SOTA AD算法的广泛定性定量评估证明了我们方法更高的检测精度。我们的数据集可从 https://github.com/Andy-cs008/PD-REAL 下载。
引用
@article{arxiv.2311.04095,
title = {Multi-Scale Distillation for RGB-D Anomaly Detection on the PD-REAL Dataset},
author = {Jianjian Qin and Chao Zhang and Chunzhi Gu and Zi Wang and Jun Yu and Yijin Wei and Hui Xiao and Xin Yu},
journal= {arXiv preprint arXiv:2311.04095},
year = {2026}
}