面向可扩展的三维异常检测与定位：基于三维异常合成与自监督学习网络的基准
计算机视觉与模式识别
2023-12-01 v3
摘要
近来，涉及细粒度几何判别的关键问题——三维异常检测正受到更多关注。然而，缺乏丰富的真实三维异常数据限制了当前模型的可扩展性。为实现可扩展的异常数据收集，我们提出一种三维异常合成流程，使现有大规模三维模型适配于三维异常检测。具体而言，我们基于 ShapeNet 构建了合成数据集 Anomaly-ShapeNet。Anomaly-ShapeNet 包含 40 个类别下的 1600 个点云样本，提供了丰富且多样的数据集合，可实现高效训练并增强对工业场景的适应性。同时，为实现三维异常定位的可扩展表示学习，我们提出一种自监督方法，即迭代掩码重建网络（IMRNet）。训练期间，我们提出几何感知采样模块以在点云下采样时保留潜在异常局部区域。随后，我们随机掩码点块并将可见块送入 transformer 进行基于重建的自监督。测试期间，点云反复通过掩码重建网络，每次迭代的输出作为下一轮输入。通过合并并对比最终重建点云与初始输入，我们的方法成功定位异常。实验表明，IMRNet 优于先前最先进方法，在 Anomaly-ShapeNet 数据集上取得 66.1% 的 I-AUC，在 Real3D-AD 数据集上取得 72.5% 的 I-AUC。我们的数据集将于 https://github.com/Chopper-233/Anomaly-ShapeNet 发布。
引用
@article{arxiv.2311.14897,
title = {Towards Scalable 3D Anomaly Detection and Localization: A Benchmark via 3D Anomaly Synthesis and A Self-Supervised Learning Network},
author = {Wenqiao Li and Xiaohao Xu and Yao Gu and Bozhong Zheng and Shenghua Gao and Yingna Wu},
journal= {arXiv preprint arXiv:2311.14897},
year = {2023}
}