Towards High-resolution 3D Anomaly Detection via Group-Level Feature Contrastive Learning

要約

高解像度点群~(HRPCD)異常検出~(AD)は、精密加工やハイエンド機器の製造において重要な役割を果たします。
最近多くの 3D-AD 方法が提案されているにもかかわらず、それらは依然として HRPCD-AD タスクの要件を満たすことができません。
いくつかの課題があります。 i) サンプル レベルで大量のポイントがあるため、HRPCD 情報を直接取得することが困難です。
ii) 高度なトランスフォーマーベースの方法では、通常、異方性の特徴が得られ、表現の劣化につながります。
iii) 異常領域の割合が非常に小さいため、特徴付けが困難になります。
これらの課題に対処するために、非常に効率的な表現能力を持つ、Group3AD と呼ばれる新しいグループレベルの特徴ベースのネットワークを提案します。
まず、クラスター間均一性ネットワーク (IUN) を設計して、特徴空間内のさまざまなグループのマッピングをいくつかのクラスターとして表現し、特徴空間内の点群のさまざまな部分を表すクラスター間でより均一な分布を取得します。
次に、クラスタ内アライメント ネットワーク (IAN) は、クラスタ内のグループが特徴空間内に密に分散されるように設計されています。
さらに、推論中の潜在的な異常領域のピクセル密度を向上させるために、幾何学的情報に基づいた適応グループ中心選択 (AGCS) を提案します。
実験結果は、Real3D-AD 上のオブジェクト レベルの AUROC に関して Reg3D-AD を 5\% 上回るマージンで、提案した Group3AD の有効性を検証します。
コードと補足情報は Web サイト https://github.com/M-3LAB/Group3AD で提供されています。

要約(オリジナル)

High-resolution point clouds~(HRPCD) anomaly detection~(AD) plays a critical role in precision machining and high-end equipment manufacturing. Despite considerable 3D-AD methods that have been proposed recently, they still cannot meet the requirements of the HRPCD-AD task. There are several challenges: i) It is difficult to directly capture HRPCD information due to large amounts of points at the sample level; ii) The advanced transformer-based methods usually obtain anisotropic features, leading to degradation of the representation; iii) The proportion of abnormal areas is very small, which makes it difficult to characterize. To address these challenges, we propose a novel group-level feature-based network, called Group3AD, which has a significantly efficient representation ability. First, we design an Intercluster Uniformity Network~(IUN) to present the mapping of different groups in the feature space as several clusters, and obtain a more uniform distribution between clusters representing different parts of the point clouds in the feature space. Then, an Intracluster Alignment Network~(IAN) is designed to encourage groups within the cluster to be distributed tightly in the feature space. In addition, we propose an Adaptive Group-Center Selection~(AGCS) based on geometric information to improve the pixel density of potential anomalous regions during inference. The experimental results verify the effectiveness of our proposed Group3AD, which surpasses Reg3D-AD by the margin of 5\% in terms of object-level AUROC on Real3D-AD. We provide the code and supplementary information on our website: https://github.com/M-3LAB/Group3AD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google