面向可扩展的三维异常检测和定位：通过三维异常合成和自我监督学习网络的基准测试

Nov, 2023

面向可扩展的三维异常检测和定位：通过三维异常合成和自我监督学习网络的基准测试

Towards Scalable 3D Anomaly Detection and Localization: A Benchmark via 3D Anomaly Synthesis and A Self-Supervised Learning Network

PDF

Wenqiao Li, Xiaohao Xu

TL;DR为了解决现有模型的可扩展性问题，本文提出了一种基于现有大规模 3D 模型的 3D 异常合成流程，以适应 3D 异常检测。同时，为了实现可扩展的 3D 异常定位表示学习，本文提出了一种自我监督方法 —— 迭代掩蔽重建网络（IMRNet），并在 Anomaly-ShapeNet 数据集和 Real3D-AD 数据集上取得了显著优于先前方法的成果。

Abstract

Recently, 3d anomaly detection, a crucial problem involving fine-grained geometry discrimination, is getting more attention. However, the lack of abundant real 3D anomaly data limits the scalability of current mo

3d anomaly detection anomaly synthesis representation learning self-supervised method geometry discrimination

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

多分辨率实例判别式的无监督三维形状分析学习

本文提出了一种用于不同形状分析任务的通用和高效形状编码网络的无监督方法，具体方法是联合编码和学习来自未标记的三维点云的形状和点特征，使用基于八叉树的卷积神经网络来进行编码，并设计了一个简单而高效的多分辨率实例判别损失，本方法不仅表现出了所有无监督方法中最佳的性能，还在小标记数据集的任务中表现出了与监督方法有竞争力的性能，甚至在细粒度形状分割任务中超过了现有的监督方法。

Aug, 2020

自监督式脑部 CT 扫描中的异常外检测

本文提出一种新的自监督学习技术来解决医学影像数据标注不足、数据不平衡等问题，在临床脑 CT 扫描的实验中，该方法取得了很好的效果。

Nov, 2020

AutoSynth：学习生成用于目标点云配准的 3D 训练数据

AutoSynth 是一种新的方法，通过自动生成 3D 训练数据，为点云配准任务提供优化的数据集。它利用合成 3D 数据集和元学习策略，以较低成本搜索最佳的真实点云配准训练数据，相比使用 ModelNet40 数据集进行训练，该方法在不同的点云配准网络上获得了一致更好的性能。

Sep, 2023

基于原型形状先验的半监督单视角 3D 重建

提出一种半监督三维重建框架 SSP3D，引入基于注意力引导的原型形状先验模块、鉴别器引导模块和正则化器来实现更好的形状生成，在 ShapeNet 基准测试中，在不同标注率下，性能均明显优越，并且对于少量有标注数据的新类别也能够取得很好的成果。

Sep, 2022

SimMining-3D：基于高度感知的复杂矿山环境中的三维物体检测：新颖数据集和基于 ROS 的自动标注管道

这篇论文介绍了一种用于挖掘行业中 3D 目标检测的合成数据集，该数据集通过 ROS 接口实现自动注释，通过高度和高度变化增强来提高准确性和可靠性。

Dec, 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

ST3D：基于自训练的三维物体检测无监督域适应

本论文提出了一种新的域自适应自训练流水线（ST3D），用于基于点云的 3D 物体检测的无监督域自适应。该流水线通过特定的设计使检测器能够与一致且高质量的伪标签进行训练，并避免过度配合伪标记数据中大量的易样本，实现了对所有评估数据集的领先性能，并甚至超过了 KITTI 3D 目标检测基准的全监督结果。

Mar, 2021

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