論文の概要: SiM3D: Single-instance Multiview Multimodal and Multisetup 3D Anomaly Detection Benchmark
- arxiv url: http://arxiv.org/abs/2506.21549v1
- Date: Thu, 26 Jun 2025 17:59:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-27 19:53:10.244558
- Title: SiM3D: Single-instance Multiview Multimodal and Multisetup 3D Anomaly Detection Benchmark
- Title（参考訳）: SiM3D:シングルインスタンスマルチビューマルチモーダルとマルチセット3D異常検出ベンチマーク
- Authors: Alex Costanzino, Pierluigi Zama Ramirez, Luigi Lella, Matteo Ragaglia, Alessandro Oliva, Giuseppe Lisanti, Luigi Di Stefano,
- Abstract要約: 総合的な3次元異常検出・セグメンテーション(ADS)のためのマルチビュー情報とマルチモーダル情報の統合を考慮した最初のベンチマークであるSiM3Dを提案する。
SiM3Dは、製造に高い関心を持つシナリオに焦点を当てている。
SiM3Dには、トップレベルの産業用センサーとロボットを使用して取得される、新しいマルチモーダルマルチビューデータセットが含まれている。
- 参考スコア（独自算出の注目度）: 46.39984953373984
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We propose SiM3D, the first benchmark considering the integration of multiview and multimodal information for comprehensive 3D anomaly detection and segmentation (ADS), where the task is to produce a voxel-based Anomaly Volume. Moreover, SiM3D focuses on a scenario of high interest in manufacturing: single-instance anomaly detection, where only one object, either real or synthetic, is available for training. In this respect, SiM3D stands out as the first ADS benchmark that addresses the challenge of generalising from synthetic training data to real test data. SiM3D includes a novel multimodal multiview dataset acquired using top-tier industrial sensors and robots. The dataset features multiview high-resolution images (12 Mpx) and point clouds (7M points) for 333 instances of eight types of objects, alongside a CAD model for each type. We also provide manually annotated 3D segmentation GTs for anomalous test samples. To establish reference baselines for the proposed multiview 3D ADS task, we adapt prominent singleview methods and assess their performance using novel metrics that operate on Anomaly Volumes.
- Abstract（参考訳）: 本稿では, 総合的な3次元異常検出・セグメンテーション(ADS)のためのマルチビュー情報とマルチモーダル情報の統合を考慮した最初のベンチマークであるSiM3Dを提案する。
さらに、SiM3Dは製造に高い関心を持つシナリオに焦点を当てている。
この点において、SiM3Dは、合成トレーニングデータから実際のテストデータへの一般化という課題に対処する最初のADSベンチマークとして際立っている。
SiM3Dには、トップレベルの産業用センサーとロボットを使用して取得される、新しいマルチモーダルマルチビューデータセットが含まれている。
データセットには8種類のオブジェクトの333インスタンスに対して、マルチビューの高解像度イメージ(12 Mpx)とポイントクラウド(7Mポイント)と、各タイプのCADモデルが同梱されている。
また,異常検体に対して手動で注釈付き3DセグメンテーションGTも提供する。
提案したマルチビュー3D ADS タスクの基準ベースラインを確立するため,Anomaly Volumes 上で動作する新しいメトリクスを用いて,顕著な単一ビュー手法を適用し,その性能を評価する。
関連論文リスト
- Boosting 3D Object Detection with Semantic-Aware Multi-Branch Framework [44.44329455757931]
自律走行では、LiDARセンサーは3Dポイントの雲の取得に不可欠であり、信頼できる幾何学的情報を提供する。
従来の前処理のサンプリング手法は意味的特徴を無視することが多く、詳細な損失や接地点干渉を引き起こす。
本稿では,Semantic-aware Multi-branch Smpling (SMS)モジュールとマルチビュー制約を用いたマルチブランチ2次元オブジェクト検出フレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-08T09:25:45Z) - MMScan: A Multi-Modal 3D Scene Dataset with Hierarchical Grounded Language Annotations [55.022519020409405]
本稿では,マルチモーダルな3Dシーンデータセットと階層型言語アノテーションを用いたベンチマーク,MMScanを構築した。
結果として得られたマルチモーダルな3Dデータセットは、109kオブジェクトと7.7kリージョン上の1.4Mメタアノテーション付きキャプションと、3Dビジュアルグラウンドと質問応答ベンチマークのための3.04M以上の多様なサンプルを含んでいる。
論文 参考訳（メタデータ） (2024-06-13T17:59:30Z) - VFMM3D: Releasing the Potential of Image by Vision Foundation Model for Monocular 3D Object Detection [80.62052650370416]
モノクル3Dオブジェクト検出は、自律運転やロボティクスなど、さまざまなアプリケーションにおいて重要な役割を担っている。
本稿では,VFMM3Dを提案する。VFMM3Dは,ビジョンファウンデーションモデル(VFM)の機能を利用して,単一ビュー画像を正確にLiDARポイントクラウド表現に変換する,革新的なフレームワークである。
論文 参考訳（メタデータ） (2024-04-15T03:12:12Z) - PoIFusion: Multi-Modal 3D Object Detection via Fusion at Points of Interest [65.48057241587398]
PoIFusionは、関心点(PoIs)におけるRGBイメージとLiDARポイントクラウドに関する情報を融合するフレームワークである。
提案手法は,各モダリティの視点を維持し,計算にやさしいプロジェクションと計算によってマルチモーダル特徴を得る。
我々はnuScenesとArgoverse2データセットについて広範囲に実験を行い、我々のアプローチを評価した。
論文 参考訳（メタデータ） (2024-03-14T09:28:12Z) - 3DiffTection: 3D Object Detection with Geometry-Aware Diffusion Features [70.50665869806188]
3DiffTectionは、単一の画像から3Dオブジェクトを検出する最先端の方法である。
拡散モデルを微調整し、単一の画像に条件付けされた新しいビュー合成を行う。
さらに、検出監視により、ターゲットデータ上でモデルをトレーニングする。
論文 参考訳（メタデータ） (2023-11-07T23:46:41Z) - Uni3D: A Unified Baseline for Multi-dataset 3D Object Detection [34.2238222373818]
現在の3Dオブジェクト検出モデルは、単一のデータセット固有のトレーニングとテストのパラダイムに従っている。
本稿では,複数のデータセットから統合された3次元検出器を訓練する作業について検討する。
単純なデータレベルの修正操作と設計された意味レベルの結合・再結合モジュールを利用するUni3Dを提案する。
論文 参考訳（メタデータ） (2023-03-13T05:54:13Z)
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。