論文の概要: Bridging 3D Anomaly Localization and Repair via High-Quality Continuous Geometric Representation

• arxiv url: http://arxiv.org/abs/2505.24431v1
• Date: Fri, 30 May 2025 10:11:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.898389
• Title: Bridging 3D Anomaly Localization and Repair via High-Quality Continuous Geometric Representation
• Title（参考訳）: 高品質連続幾何表現によるブリッジング3次元異常位置定位と補修
• Authors: Bozhong Zheng, Jinye Gan, Xiaohao Xu, Wenqiao Li, Xiaonan Huang, Na Ni, Yingna Wu,
• Abstract要約: 新しいフレームワークは、連続的なポーズ不変の形状表現を学習することで、3D異常の検出と修復を統合する。 Real3D-ADとAnomaly-ShapeNetの実験は最先端の性能を示している。
• 参考スコア（独自算出の注目度）: 1.4763103835215192
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D point cloud anomaly detection is essential for robust vision systems but is challenged by pose variations and complex geometric anomalies. Existing patch-based methods often suffer from geometric fidelity issues due to discrete voxelization or projection-based representations, limiting fine-grained anomaly localization. We introduce Pose-Aware Signed Distance Field (PASDF), a novel framework that integrates 3D anomaly detection and repair by learning a continuous, pose-invariant shape representation. PASDF leverages a Pose Alignment Module for canonicalization and a SDF Network to dynamically incorporate pose, enabling implicit learning of high-fidelity anomaly repair templates from the continuous SDF. This facilitates precise pixel-level anomaly localization through an Anomaly-Aware Scoring Module. Crucially, the continuous 3D representation in PASDF extends beyond detection, facilitating in-situ anomaly repair. Experiments on Real3D-AD and Anomaly-ShapeNet demonstrate state-of-the-art performance, achieving high object-level AUROC scores of 80.2% and 90.0%, respectively. These results highlight the effectiveness of continuous geometric representations in advancing 3D anomaly detection and facilitating practical anomaly region repair. The code is available at https://github.com/ZZZBBBZZZ/PASDF to support further research.
• Abstract（参考訳）: 3次元点雲異常検出は、ロバストな視覚システムには不可欠であるが、ポーズのバリエーションや複雑な幾何学的異常により困難である。 既存のパッチベースの手法は、離散的なボキセル化や投影ベースの表現による幾何学的忠実度の問題に悩まされ、微粒な異常な局所化が制限される。 連続的・ポーズ不変な形状表現を学習することにより3次元異常検出と修復を統合する新しいフレームワークである Pose-Aware Signed Distance Field (PASDF) を紹介する。 PASDFは、正準化のためのPose Alignment ModuleとSDF Networkを活用して、ポーズを動的に取り入れ、連続SDFからの高忠実な異常な修復テンプレートの暗黙的な学習を可能にする。 これにより、Anomaly-Aware Scoring Moduleを通じて、正確なピクセルレベルの異常ローカライズが容易になる。 重要なことに、PASDFの連続した3D表現は検出を超えて拡張し、その場で異常な修復を容易にする。 Real3D-ADとAnomaly-ShapeNetの実験では、それぞれ80.2%と90.0%の高いオブジェクトレベルのAUROCスコアを達成した。 これらの結果は、3次元異常検出の進行と、実用的な異常領域の修復を容易にするための連続的な幾何学的表現の有効性を強調した。 コードは https://github.com/ZZBBBZZZ/PASDF で公開されている。

関連論文リスト

• PointAD: Comprehending 3D Anomalies from Points and Pixels for Zero-shot 3D Anomaly Detection [13.60524473223155]
  本稿では,未知の物体上の3次元異常を認識するために,CLIPの強力な一般化能力を伝達する新しい手法であるPointADを紹介する。 PointADは、複数の2Dレンダリングに3D異常をレンダリングし、それらを3D空間に投影する。 我々のモデルはRGB情報を直接統合することができ、プラグアンドプレイ方式で3D異常の理解をさらに強化することができる。
  論文  参考訳（メタデータ） (2024-10-01T01:40:22Z)
• R3D-AD: Reconstruction via Diffusion for 3D Anomaly Detection [12.207437451118036]
  3次元異常検出は、精密製造における局所固有の欠陥のモニタリングにおいて重要な役割を担っている。 埋め込みベースおよび再構築ベースのアプローチは、最も人気があり、成功した方法の一つである。 本稿では, 高精度な3次元異常検出のための拡散モデルにより, 異常点雲を再構成するR3D-ADを提案する。
  論文  参考訳（メタデータ） (2024-07-15T16:10:58Z)
• Improving Gaussian Splatting with Localized Points Management [52.009874685460694]
  局所的点管理(LPM)は、点加算と幾何校正の両方を最大限に必要としながら、これらの誤り貢献ゾーンを特定することができる。 LPMは特定されたゾーンに点密度を適用し、これらの領域の前にある点の不透明度をリセットし、不適切な点を修正する新しい機会を生み出す。 特に、LPMは静的3DGSとダイナミックなSpaceTimeGSの両方を改善して、リアルタイム速度を維持しながら最先端のレンダリング品質を実現している。
  論文  参考訳（メタデータ） (2024-06-06T16:55:07Z)
• GEOcc: Geometrically Enhanced 3D Occupancy Network with Implicit-Explicit Depth Fusion and Contextual Self-Supervision [49.839374549646884]
  本稿では,視覚のみのサラウンドビュー知覚に適したジオメトリ強化OccupancyネットワークであるGEOccについて述べる。 提案手法は,Occ3D-nuScenesデータセット上で,画像解像度が最小で,画像バックボーンが最大である状態-Of-The-Art性能を実現する。
  論文  参考訳（メタデータ） (2024-05-17T07:31:20Z)
• FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
  クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。 本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
  論文  参考訳（メタデータ） (2023-12-28T14:52:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。