PO3AD: 预测点偏移以实现更好的 3D 点云异常检测
计算机视觉与模式识别
2024-12-18 v1
摘要
在无异常设置下的点云异常检测提出了重大挑战，因为它要求准确捕获 3D 正常数据的特征，以识别指示异常的偏差。当前的努力集中在设计重建任务上，例如通过从被改变的伪异常对应物中恢复正常样本来获取正常数据表示。我们的发现表明，在正常和伪异常数据之间平均分配注意力往往会分散模型对异常偏差的关注。3D 点云数据固有的无序和稀疏特性进一步加剧了这一挑战。针对这些困境，我们引入了一种创新方法，强调学习点偏移，瞄准更具信息量的伪异常点，从而促进更有效的正常数据表示蒸馏。我们还设计了一种由法向量引导的增强技术，有助于创建可信的伪异常，从而提高训练过程的效率。我们在 Anomaly-ShapeNet 和 Real3D-AD 数据集上的全面实验评估表明，我们提出的方法优于现有的最先进方法，在这些数据集的 AUC-ROC 检测指标上分别实现了 9.0% 和 1.4% 的平均提升。
引用
@article{arxiv.2412.12617,
title = {PO3AD: Predicting Point Offsets toward Better 3D Point Cloud Anomaly Detection},
author = {Jianan Ye and Weiguang Zhao and Xi Yang and Guangliang Cheng and Kaizhu Huang},
journal= {arXiv preprint arXiv:2412.12617},
year = {2024}
}