Dec, 2021

MVTec 3D-AD 数据集：用于无监督三维异常检测和定位

PDF
TL;DR本研究介绍了用于无监督异常检测和定位任务的首个综合 3D 数据集。我们采用高分辨率工业 3D 传感器获取了 10 种不同物品类别的深度扫描，并提供了包含各种瑕疵的测试集。研究表明，对于我们的数据集，3D 异常检测方法还有很大的提升空间。
3d datasetunsupervised anomaly detectiongeometric structureanomalous test samplebenchmark
发现论文，激发创造
  • 使用深度几何描述符在 3D 点云中进行异常检测

    提出了一种用于高分辨率三维点云的无监督检测几何异常的新方法，该方法将学生 - 教师异常检测框架适应到三维领域，并利用一种自监督预训练策略构建具有表达能力的教师网络，实现局部几何描述符的提取，实验结果表明该方法在性能、运行时间和内存消耗等方面都具有较好的应用前景。

    Feb, 2022

  • 基于图像点云融合的异常检测：以 PD-REAL 数据集为例

    通过使用 Play-Doh 模型和 RealSense 相机，我们提出了 PD-REAL 数据集，用于在 3D 领域进行无监督异常检测研究，该数据集在分析 3D 信息的有益作用时展示了显著的节约成本、易扩展性和易于控制变量的优势。

    Nov, 2023

  • Real3D-AD: 点云异常检测数据集

    高精度点云异常检测，Real3D-AD 数据集，3D 异常检测数据集，Reg3D-AD，基于配准的 3D 异常检测方法

    Sep, 2023

  • 3D-CSAD：复杂制造表面的未经训练的 3D 异常检测

    基于 3D 点云数据的制造零件表面质量检测吸引了日益增多的关注。我们提出了一种基于 3D 点云数据的新型未训练异常检测方法，用于复杂制造零件，能够在无训练数据的情况下实现准确的异常检测。

    Apr, 2024

  • 2D-3D 对齐下的异常检测

    本研究介绍了一种基于视觉线索的自动异常检测方法，在制造和产品质量评估等各个领域具有实际意义。我们提出了一个新的条件异常检测问题，通过将查询图像与参考形状进行比较，来识别图像中的异常。为解决这一挑战，我们创建了一个大型数据集 BrokenChairs-180K，其中包含约 180K 张图像，具有多样的异常、几何形状和纹理，并与 8143 个参考 3D 形状配对。为解决这一任务，我们提出了一种新颖的基于 Transformer 的方法，通过特征对齐明确学习查询图像与参考 3D 形状之间的对应关系，并利用自定义的注意力机制进行异常检测。我们的方法经过全面实验进行了严格评估，在该领域中可作为未来研究的基准。

    Jun, 2024

  • MDT3D: 多数据集训练用于 LiDAR 3D 物体检测泛化

    通过使用多个标注源数据集，并结合基于粗标签的标签映射以及跨数据集对象注入的数据增强方法，提高了在不同环境中、由不同传感器配置采集的数据上测试时三维物体检测模型的鲁棒性。

    Aug, 2023

  • voraus-AD 数据集用于机器人应用中的异常检测

    工业机器人中的异常检测及其在机器人应用中的数据集和基准方法介绍和评估。

    Nov, 2023

  • 基于变分自编码器的无监督三维点云异常检测

    本文提出了一种针对三维点云的端到端无监督异常检测框架，该模型基于深度变分自编码器进行无监督学习和针对三维点云的异常分数计算，并在 ShapeNet 数据集上进行了广泛实验，证明了该方法优于基线方法。

    Apr, 2023

  • 多模态工业异常检测通过交叉模态特征映射

    这篇论文探讨了工业多模态异常检测任务，利用点云和 RGB 图像来定位异常。我们介绍了一种新颖且快速的框架，它学习将一个模态中的特征映射到另一个模态的正常样本上。在测试时，通过定位观察到的特征和映射特征之间的不一致性来检测异常。大量实验证明，我们的方法在 MVTec 3D-AD 数据集的标准和少样本设置中实现了最先进的检测和分割性能，同时实现了更快的推理速度和更低的内存占用，优于先前的多模态异常检测方法。此外，我们提出一种层裁剪技术，在性能上略有损失的同时提高了内存和时间效率。

    Dec, 2023

  • 基于混合融合的多模态工业异常检测

    本文提出了一种基于 3D 点云和 RGB 图像的新型多模式异常检测方法 M3DM，其中采用了无监督特征融合、决策层融合和点特征对齐等技术，实验表明该方法优于现有的同类方法。

    Mar, 2023