面向零样本点云异常检测：一种多视图投影框架
计算机视觉与模式识别
2024-09-23 v1
摘要
点云异常检测对各种工业应用至关重要，但由于数据采集成本高、早期生产限制以及跨产品类别泛化能力有限，传统无监督方法面临诸多挑战。为克服这些挑战，我们引入了多视图投影框架，利用预训练视觉语言模型来检测异常。具体而言，MVP 将点云数据投影为多视图深度图像，从而将点云异常检测转化为图像异常检测。遵循零样本图像异常检测方法，利用预训练 VLM 在这些深度图像上检测异常。鉴于预训练 VLM 并非固有地针对零样本点云异常检测定制且可能缺乏特异性，我们提出集成可学习的视觉与自适应文本提示技术来微调这些 VLM，从而提升其检测性能。在 MVTec 3D-AD 和 Real3D-AD 上的大量实验表明，我们提出的 MVP 框架具有卓越的零样本异常检测性能，且提示技术行之有效。在汽车塑料件检测上的真实世界评估进一步表明，该方法也能泛化至实际未见场景。代码可在 https://github.com/hustCYQ/MVP-PCLIP 获取。
引用
@article{arxiv.2409.13162,
title = {Towards Zero-shot Point Cloud Anomaly Detection: A Multi-View Projection Framework},
author = {Yuqi Cheng and Yunkang Cao and Guoyang Xie and Zhichao Lu and Weiming Shen},
journal= {arXiv preprint arXiv:2409.13162},
year = {2024}
}