論文の概要: Taming Anomalies with Down-Up Sampling Networks: Group Center Preserving Reconstruction for 3D Anomaly Detection

• arxiv url: http://arxiv.org/abs/2507.03903v1
• Date: Sat, 05 Jul 2025 05:05:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.929177
• Title: Taming Anomalies with Down-Up Sampling Networks: Group Center Preserving Reconstruction for 3D Anomaly Detection
• Title（参考訳）: ダウンアップサンプリングネットワークを用いたモデリング異常:3次元異常検出のためのグループ中心保存再構成
• Authors: Hanzhe Liang, Jie Zhang, Tao Dai, Linlin Shen, Jinbao Wang, Can Gao,
• Abstract要約: グループ中心幾何構造を保存して3次元異常検出のための高精度点雲を再構成するために,ダウンアップサンプリングネットワーク(DUS-Net)を提案する。 提案手法は、オブジェクトレベルのAUROCの79.9%と79.5%、Real3D-ADおよびAnomaly-ShapeNetデータセットの71.2%と84.7%のポイントレベルのAUROCを用いて、最先端(SOTA)性能を実現する。
• 参考スコア（独自算出の注目度）: 44.053538380984584
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reconstruction-based methods have demonstrated very promising results for 3D anomaly detection. However, these methods face great challenges in handling high-precision point clouds due to the large scale and complex structure. In this study, a Down-Up Sampling Network (DUS-Net) is proposed to reconstruct high-precision point clouds for 3D anomaly detection by preserving the group center geometric structure. The DUS-Net first introduces a Noise Generation module to generate noisy patches, which facilitates the diversity of training data and strengthens the feature representation for reconstruction. Then, a Down-sampling Network~(Down-Net) is developed to learn an anomaly-free center point cloud from patches with noise injection. Subsequently, an Up-sampling Network (Up-Net) is designed to reconstruct high-precision point clouds by fusing multi-scale up-sampling features. Our method leverages group centers for construction, enabling the preservation of geometric structure and providing a more precise point cloud. Extensive experiments demonstrate the effectiveness of our proposed method, achieving state-of-the-art (SOTA) performance with an Object-level AUROC of 79.9% and 79.5%, and a Point-level AUROC of 71.2% and 84.7% on the Real3D-AD and Anomaly-ShapeNet datasets, respectively.
• Abstract（参考訳）: 再構成に基づく手法は3次元異常検出に非常に有望な結果を示した。 しかし、これらの手法は大規模で複雑な構造のため、高精度な点雲を扱う上で大きな課題に直面している。 本研究では,グループ中心の幾何構造を保存し,高精度な3次元異常検出のためのダウンアップサンプリングネットワーク(DUS-Net)を提案する。 DUS-Netは、まずノイズ発生モジュールを導入し、ノイズ発生パッチを生成し、トレーニングデータの多様性を促進し、再構成のための特徴表現を強化する。 次に、ダウンサンプリングネットワーク~(Down-Net)を開発し、ノイズ注入パッチから異常のない中心点雲を学習する。 その後、アップサンプリングネットワーク(Up-Net)は、マルチスケールのアップサンプリング機能を融合させることで、高精度なポイントクラウドを再構築するように設計されている。 提案手法では, グループ中心を構築に活用し, 幾何学的構造を保存し, より精密な点雲を提供する。 対象レベルのAUROCは79.9%,79.5%,ポイントレベルのAUROCは71.2%,Anomaly-ShapeNetデータセットは84.7%であった。

関連論文リスト

• 3D Point Cloud Generation via Autoregressive Up-sampling [60.05226063558296]
  我々は3Dポイントクラウド生成のための先駆的な自己回帰生成モデルを導入する。 視覚的自己回帰モデリングにインスパイアされた我々は、ポイントクラウド生成を自己回帰的アップサンプリングプロセスとして概念化する。 PointARUは、3Dポイントの雲を粗いものから細かいものへと徐々に洗練する。
  論文  参考訳（メタデータ） (2025-03-11T16:30:45Z)
• Few-shot point cloud reconstruction and denoising via learned Guassian splats renderings and fine-tuned diffusion features [52.62053703535824]
  本稿では,少数の画像から点雲を再構成し,そのレンダリングから点雲を識別する手法を提案する。 制約条件下での再構成を改善するため,ハイブリッド表面と外観の相違点のトレーニングを規則化する。 これらの学習したフィルタを使って、3Dの監督なしに来る点雲ノイズを除去する方法を実証する。
  論文  参考訳（メタデータ） (2024-04-01T13:38:16Z)
• Towards Scalable 3D Anomaly Detection and Localization: A Benchmark via 3D Anomaly Synthesis and A Self-Supervised Learning Network [22.81108868492533]
  本稿では,既存の大規模3次元モデルに適応して3次元異常検出を行うための3次元異常合成パイプラインを提案する。 Anomaly-ShapeNetは、40カテゴリ以下の1600点のクラウドサンプルで構成され、リッチで多様なデータ収集を提供する。 また、3次元異常局所化のためのスケーラブルな表現学習を可能にする自己教師型マスク再構成ネットワーク(IMRNet)を提案する。
  論文  参考訳（メタデータ） (2023-11-25T01:45:09Z)
• Test-Time Augmentation for 3D Point Cloud Classification and Segmentation [40.62640761825697]
  データ拡張は、ディープラーニングタスクのパフォーマンスを向上させるための強力なテクニックである。 本研究は,3次元点雲に対するTTA(Test-time augmentation)について検討する。
  論文  参考訳（メタデータ） (2023-11-22T04:31:09Z)
• StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
  StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。 我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2023-03-28T08:21:44Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• Deep Point Cloud Reconstruction [74.694733918351]
  3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。 これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。 本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T07:53:28Z)

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。