Nov, 2023

欺骗深度：通过深度模拟增强 3D 表面异常检测

PDF
TL;DR通过引入 3D 信息和 Depth-Aware Discrete Autoencoder (DADA) 架构，以及提出的新型表面异常检测方法 3DSR，本研究在 MVTec3D 异常检测基准上取得了准确性和处理速度方面的优势，验证了利用深度信息提升表面异常检测的潜力。
rgb-based surface anomaly detection methods3d informationdepth-aware discrete autoencoder (dada) architecture3dsrmvtec3d anomaly detection benchmark
发现论文，激发创造
  • 从 RGB 图像中学习 6D 物体探测的隐式三维方向

    我们提出了一种基于实时 RGB 的管道来实现物体检测和六自由度姿态估计。我们的创新性三维方向估计基于域随机化训练的三维模型的模拟视图，采用了变体的降噪自编码器。我们称之为增强自编码器相较于现有方法具有多个优点：它不需要真实标注的训练数据，适用于各种测试传感器，固有的处理物体和视角对称性。我们提出了一种隐式表征物体方向的方法，定义了潜在空间内的样本，而不是学习从输入图像到对象姿态的显式映射。我们的管道在 T-LESS 数据集的 RGB 和 RGB-D 领域均取得了最新成果。我们还在 LineMOD 数据集上进行评估，其中我们可以与其他合成训练方法竞争。当物体偏离图像中心时，通过纠正三维方向估计来进一步提高性能，并展示了扩展结果。

    Feb, 2019

  • 基于 RGB-D 数据的工业异常检测双支路重构网络

    基于 RGB-D 输入，我们提出了一种轻量级的双分支重建网络 (DBRN)，通过学习正常和异常样本之间的决策边界，使用深度图而不是点云输入来消除两种模态之间的对齐要求，并引入了一个重要性评分模块来辅助融合这两种模态的特征，从而在 MVTec 3D-AD 数据集上实现了 92.8% 的 AUROC，并具有很高的推理效率，无需使用大型预训练模型和记忆库。

    Nov, 2023

  • 自监督深度去噪

    本研究提出一种基于自监督学习的全卷积深度自编码器，通过利用不同视角下的多个场景生成的多视点数据，结合深度和颜色信息，在训练期间去除噪声，在推理期间仅利用深度信息，有效地提高深度去噪效果。

    Sep, 2019

  • 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

  • 从深度提升显著性：深度无监督的 RGB-D 显著性检测

    本研究提出了一种基于深度学习和无监督学习的 RGB-D 显著目标检测方法，利用基于深度学习的迭代自动伪标签生成和注意力训练策略，无需人工像素级注释即可在无监督场景下提高 RGB-D 显著目标检测的效率和效果，同时也适用于全监督情况下的场景。

    May, 2022

  • 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 RBF 权重的 RGB-D 物体检测超插深卷积

    通过使用深度传感器的增强现实设备，我们提出了一种实时的 RGB-D 物体检测模型，其中包括深度引导的超卷积和基于上采样的可训练融合层，提高了从原始深度图中提取深度和彩色图像特征的效率和性能，并在 NYU Depth v2 数据集上表现优于其他基于 RGB-D 的物体检测模型，在 SUN RGB-D 数据集上表现相当出色，并且在新的室外 RGB-D 物体检测数据集上也表现出色。同时，我们的模型在来自 CAD 模型和图像生成的多样化合成数据的性能评估中显示出了应用于增强现实的潜力。

    Sep, 2023

  • 保持虚幻：通过仅使用几何先验填补 2.5D 识别的逼真差距

    本研究提出了一种基于 CAD 模型、使用生成式对抗网络的增强方法进行无监督训练，从而更好地识别深度图像并恢复可靠的深度信息。该方法不但简化了识别算法的训练，通过各种实验，还证明了其性能优于传统方法。

    Apr, 2018

  • DASVDD: 深度自编码支持向量数据描述符 用于异常检测

    该研究提出了一种新的半监督异常检测方法 DASVDD，该方法使用自编码器学习正常类的潜在表示并最小化其上边界超球的体积。通过将自编码器的重构误差和潜在表示中的超球中心距离结合起来，提出了一种异常度量方法，能够在训练期间学习正常类的分布，实验结果表明，该方法优于当前常用的最先进的异常检测算法，而且在不同的异常类别之间表现出强大的鲁棒性。

    Jun, 2021

  • 基于本地 RGB-D Patch 的深度学习用于三维物体检测和六自由度位姿估计

    采用卷积自编码器在大量随机局部补丁上训练回归描述符，将场景补丁描述符与合成模型视图补丁的数据库进行匹配，并投票生成 6D 对象，结果在三个数据集上表现良好，具有标准检测结果并超过其竞争对手的鲁棒性。

    Jul, 2016