多视角重建结合全局上下文用于 3D 异常检测.pdfVIP

多视角重建结合全局上下文

用于3D异常检测

YihanSun,GraduateStudentMember,IEEE,YuqiCheng,GraduateStudentMember,IEEE,

YunkangCao,GraduateStudentMember,IEEE,YuxinZhang,GraduateStudentMember,IEEE,

WeimingShen,Fellow,IEEE

Abstract—3D异常检测在工业质量检查中至关重要。虽然

现有方法取得了显著进展，但由于缺乏全局信息，它们在高精度

3D异常检测中的性能会下降。为了解决这个问题，我们提出了

多视图重建（MVR）方法，该方法无损地将高分辨率点云转换为

本多视角图像，并采用基于重构的异常检测框架来增强全局信息

的学习。广泛的实验表明了MVR的有效性，在Real3D-AD基准

译上实现了89.6%的对象级AU-ROC和95.7%的点级AU-ROC。

中代码可在以下位置获取：/hustSYH/MVR

1

v

5I.介绍Fig.1:与之前的方法和所提出的MVR不同。

5

53D异常检测技术通过高精度的3D扫描[1]，为缺

1声的干扰，在3D异常检测中至关重要。然而，现有

2陷识别提供了创新的解决方案，广泛应用于精密制造

.的最先进的方法倾向于优先考虑局部语义，显示出在

7质量检查[2]。其核心目标是检测偏离正常模式的异常

0点以适用于3D结构。无监督的3D异常检测已成为工提取和利用全局语义方面的显著不足。Reg3D-AD[5]，

5

一种基于注册的3D异常检测方法，主要依赖于基于局

2业检测的主要范式[3],[4]，只需使用无异常的训练样

:部坐标的特征，因此忽视了全局特征。Group3AD[6]

v本，同时消除对标注缺陷数据的依赖。然而，最先进

i通过最小化组内距离和最大化组间距离从输入点云中

x的（SOTA）3D异常检测方法由于两个基本限制，在

r

a工业部署中的性能仍然不足：i)特征学习能力有限导提取组级特征。然而，这种混淆的特征表示也带来了

负面影响。GLFM[7]提出了使用预训练的点变换器来

致在提取过程中丢失重要的异常相关细节；ii)提取后

捕捉全局和局部上下文信息，并特别针对全局语义进

的处理中未能充分利用全局上下文信息。本研究专注

行聚类。然而，基于内存库的设计过于依赖局部特征，

于通过开发一种具有全局上下文的多视图重建框架来

未能充分利用提取出的全局特征。

推进3D异常检测，以满足严格的现实世界性能要求。

全局特征包含了点云的整体结构和统计上下文关为了增强特征提取和全局上下文理解，我们提出

联，因此可以有效捕捉跨区域依赖关系并避免局部噪了多视图重建（MVR），该方法首先将非结构化点云