迈向零样本 3D 异常定位

3D 异常检测与定位对工业检测具有重要意义。先前的 3D 异常检测与定位方法聚焦于测试数据与训练数据（正常数据）属于同一类别的设定。然而，在实际应用中，由于数据隐私或出口管制法规等问题，目标 3D 对象的正常训练数据可能不可用。为应对这些挑战，我们识别出一个新任务——零样本 3D 异常检测与定位，其中训练类与测试类不重叠。为此，我们设计了 3DzAL，一个基于从任务无关的 3D xyz 数据中获得的归纳偏差生成的伪异常来学习更具代表性特征表示的新型逐块对比学习框架。此外，我们训练了一个正常性分类网络来分类正常块和伪异常，并将分类结果与特征距离结合来设计异常分数。我们没有直接使用逐块点云，而是在将输入逐块 xyz 数据送入 3D 正常性分类器进行分类异常分数之前，对其引入对抗扰动。我们表明 3DzAL 在异常检测与定位性能上优于最先进方法。