借助下-上采样网络驾驭异常值：基于组中心保持的3D异常检测重建
计算机视觉与模式识别
2025-09-17 v2
摘要
基于重建的方法在3D异常检测方面显示出非常有前景的成果。然而，这些方法在处理高精度点云时面临巨大挑战，由于规模庞大且结构复杂。本研究提出一种下-上采样网络（DUS-Net），通过保留组中心几何结构来重建高精度点云，以实现3D异常检测。DUS-Net首先引入噪声生成模块，以生成带噪声的补丁，促进训练数据的多样性并增强对重建的特征表示。随后，开发了下采样网络（Down-Net），用于从带噪声注入的补丁中学习无异常的中心点云。接着，设计了上采样网络（Up-Net），通过融合多尺度上采样特征来重建高精度点云。我们的方法利用组中心进行构建，使几何结构得以保留，并提供更精确的点云。大量实验表明，我们所提出方法的有效性， 在Real3D-AD和Anomaly-ShapeNet数据集上实现了状态的最佳（SOTA）性能，分别在对象级AUROC上达到79.9%和79.5%，在点级AUROC上达到71.2%和84.7%。
引用
@article{arxiv.2507.03903,
title = {Taming Anomalies with Down-Up Sampling Networks: Group Center Preserving Reconstruction for 3D Anomaly Detection},
author = {Hanzhe Liang and Jie Zhang and Tao Dai and Linlin Shen and Jinbao Wang and Can Gao},
journal= {arXiv preprint arXiv:2507.03903},
year = {2025}
}
备注
ACM MM25 Accepted, 9 pages, 2 figures, 8 tables