Examining the Source of Defects from a Mechanical Perspective for 3D Anomaly Detection

要約

この論文では、構造特性に基づいて異常を特定するだけでなく、3D異常検出（AD）に対する新しいアプローチを探ります。
私たちの主な視点は、ほとんどの異常が、内部および外部の両方のソースに由来する予測不可能な欠陥のある力から生じるということです。
これらの異常に対処するために、私たちはそれらを修正するのに役立つ反対の力を探します。
したがって、各ポイントの内部および外部の是正力を生成する3D-ADタスク（MC4AD）のメカニック補完モデルベースのフレームワークを紹介します。
最初に、さまざまな種類の異常をシミュレートするように設計された多様な異常生成（DA-Gen）モジュールを提案します。
次に、矯正力予測ネットワーク（CFP-NET）を提示します。これは、ポイントレベル分析に相補的な表現を使用して、内部および外部の是正力からのさまざまな貢献をシミュレートします。
修正力が効果的に制約されるようにするために、新しい対称損失と全体的な損失を含む複合損失関数を開発しました。
特に、3方向の決定プロセスに基づいて階層品質制御（HQC）戦略を実装し、モデルを評価するためにクラス内の差異を組み込んだAnomaly-intravarianceというタイトルのデータセットに貢献します。
その結果、提案されたMC4ADは、理論と実験を通じて効果的であることが証明されています。
実験結果は、私たちのアプローチが9つの最先端のパフォーマンスをもたらし、提案された異常intravarianceデータセットに加えて、最小限のパラメーターと5つの既存のデータセットにわたって最速の推論速度で最適な結果を達成することを示しています。
ソースはhttps://github.com/hzzzzzhappy/mc4adで入手できます

要約(オリジナル)

In this paper, we explore a novel approach to 3D anomaly detection (AD) that goes beyond merely identifying anomalies based on structural characteristics. Our primary perspective is that most anomalies arise from unpredictable defective forces originating from both internal and external sources. To address these anomalies, we seek out opposing forces that can help correct them. Therefore, we introduce the Mechanics Complementary Model-based Framework for the 3D-AD task (MC4AD), which generates internal and external corrective forces for each point. We first propose a Diverse Anomaly-Generation (DA-Gen) module designed to simulate various types of anomalies. Next, we present the Corrective Force Prediction Network (CFP-Net), which uses complementary representations for point-level analysis to simulate the different contributions from internal and external corrective forces. To ensure the corrective forces are constrained effectively, we have developed a combined loss function that includes a new symmetric loss and an overall loss. Notably, we implement a Hierarchical Quality Control (HQC) strategy based on a three-way decision process and contribute a dataset titled Anomaly-IntraVariance, which incorporates intraclass variance to evaluate our model. As a result, the proposed MC4AD has been proven effective through theory and experimentation. The experimental results demonstrate that our approach yields nine state-of-the-art performances, achieving optimal results with minimal parameters and the fastest inference speed across five existing datasets, in addition to the proposed Anomaly-IntraVariance dataset. The source is available at https://github.com/hzzzzzhappy/MC4AD

arxiv情報

提供元, 利用サービス

arxiv.jp, Google