3D-CSAD：复杂制造表面的未经训练的 3D 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
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。
Dec, 2021
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。
Nov, 2023
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
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
本文提出了一种无监督方法 DeepCluster 3D Change Detection（DC3DCD），用于检测和分类多类变化，基于 3D 点云，并在模拟和真实数据集上进行了评估，结果深度聚类与标记方法相比具有较高的准确性和竞争性。
May, 2023
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
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。
Nov, 2023