Fugu-MT 論文翻訳(概要): 3DKeyAD: High-Resolution 3D Point Cloud Anomaly Detection via Keypoint-Guided Point Clustering

論文の概要: 3DKeyAD: High-Resolution 3D Point Cloud Anomaly Detection via Keypoint-Guided Point Clustering

arxiv url: http://arxiv.org/abs/2507.13110v1
Date: Thu, 17 Jul 2025 13:25:17 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-18 20:10:24.513401
Title: 3DKeyAD: High-Resolution 3D Point Cloud Anomaly Detection via Keypoint-Guided Point Clustering
Title（参考訳）: 3DKeyAD:Keypoint-Guided Point Clusteringによる高分解能3Dポイントクラウド異常検出
Authors: Zi Wang, Katsuya Hotta, Koichiro Kamide, Yawen Zou, Chao Zhang, Jun Yu,
Abstract要約: 高分解能な3次元点雲は、産業検査における微妙な構造異常を検出するのに非常に効果的である。本稿では,マルチプロトタイプアライメントとクラスタ単位の差分解析を組み合わせた登録型異常検出フレームワークを提案する。 Real3D-ADベンチマークの実験により,提案手法はオブジェクトレベルの異常検出と点レベルの異常検出の両方において最先端の性能を実現することを示した。
参考スコア（独自算出の注目度）: 12.85847828490656
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: High-resolution 3D point clouds are highly effective for detecting subtle structural anomalies in industrial inspection. However, their dense and irregular nature imposes significant challenges, including high computational cost, sensitivity to spatial misalignment, and difficulty in capturing localized structural differences. This paper introduces a registration-based anomaly detection framework that combines multi-prototype alignment with cluster-wise discrepancy analysis to enable precise 3D anomaly localization. Specifically, each test sample is first registered to multiple normal prototypes to enable direct structural comparison. To evaluate anomalies at a local level, clustering is performed over the point cloud, and similarity is computed between features from the test sample and the prototypes within each cluster. Rather than selecting cluster centroids randomly, a keypoint-guided strategy is employed, where geometrically informative points are chosen as centroids. This ensures that clusters are centered on feature-rich regions, enabling more meaningful and stable distance-based comparisons. Extensive experiments on the Real3D-AD benchmark demonstrate that the proposed method achieves state-of-the-art performance in both object-level and point-level anomaly detection, even using only raw features.
Abstract（参考訳）: 高分解能な3次元点雲は、産業検査における微妙な構造異常を検出するのに非常に効果的である。しかし、その密度が高く不規則な性質は、高い計算コスト、空間的不整合への敏感さ、局所的な構造的差異を捉えることの難しさなど、重大な課題を課している。本稿では,マルチプロトタイプアライメントとクラスタ単位の差分解析を組み合わせることで,高精度な3次元異常位置検出を実現する登録ベース異常検出フレームワークを提案する。具体的には、各テストサンプルは、直接構造比較を可能にするために、まず複数の通常のプロトタイプに登録される。局所的なレベルの異常を評価するために、ポイントクラウド上でクラスタリングが行われ、テストサンプルと各クラスタ内のプロトタイプの機能間の類似性が計算される。クラスタセントロイドをランダムに選択する代わりに、キーポイント誘導戦略を採用し、幾何学的に情報的ポイントをセントロイドとして選択する。これにより、クラスタは機能豊富な領域に集中し、より有意義で安定した距離ベースの比較を可能にする。 Real3D-ADベンチマークの広範囲な実験により,提案手法はオブジェクトレベルの異常検出とポイントレベルの異常検出の両方において,生の特徴のみを用いて,最先端の性能を実現することを示した。

関連論文リスト

RDD: Robust Feature Detector and Descriptor using Deformable Transformer [8.01082121187363]
本稿では,新規かつ堅牢なキーポイント検出器/ディスクリプタであるRobust Deformable Detector (RDD)を提案する。我々は、変形可能な注意が鍵となる位置に焦点を当て、探索空間の複雑さを効果的に減らすことを観察した。提案手法は,スパースマッチングタスクにおいて,最先端のキーポイント検出/記述手法よりも優れている。
論文参考訳（メタデータ） (2025-05-12T19:24:45Z)
Towards Zero-shot 3D Anomaly Localization [58.62650061201283]
3DzALは3D異常検出とローカライゼーションのためのパッチレベルの新しいコントラスト学習フレームワークである。 3DzALは最先端の異常検出および局所化性能より優れていることを示す。
論文参考訳（メタデータ） (2024-12-05T16:25:27Z)
Towards High-resolution 3D Anomaly Detection via Group-Level Feature Contrastive Learning [45.21394843710758]
高分解能点雲(HRPCD)異常検出(AD)は、精密加工およびハイエンド機器製造において重要な役割を担っている。最近提案された多くの3D-ADメソッドにもかかわらず、HRPCD-ADタスクの要件を満たすことはできない。本稿では,グループレベルの特徴ベースネットワークであるGroup3ADを提案する。
論文参考訳（メタデータ） (2024-08-08T17:24:03Z)
Cross-Cluster Shifting for Efficient and Effective 3D Object Detection in Autonomous Driving [69.20604395205248]
本稿では,自律運転における3次元物体検出のための3次元点検出モデルであるShift-SSDを提案する。我々は、ポイントベース検出器の表現能力を解き放つために、興味深いクロスクラスタシフト操作を導入する。我々は、KITTI、ランタイム、nuScenesデータセットに関する広範な実験を行い、Shift-SSDの最先端性能を実証した。
論文参考訳（メタデータ） (2024-03-10T10:36:32Z)
PointCore: Efficient Unsupervised Point Cloud Anomaly Detector Using Local-Global Features [18.32982981001087]
我々は、PointCoreと呼ばれる、共同でローカル・グローバルな特徴に基づく、教師なしのポイントクラウド異常検出フレームワークを提案する。具体的に言うと、PointCoreはローカル(コーディネート)とグローバル(PointMAE)表現を保存するために、単一のメモリバンクしか必要としない。 Real3D-ADデータセットの実験では、PointCoreは検出とローカライゼーションの両方において、競合する推論時間と最高のパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-03-04T07:51:46Z)
Towards Unified 3D Object Detection via Algorithm and Data Unification [70.27631528933482]
我々は、最初の統一型マルチモーダル3Dオブジェクト検出ベンチマークMM-Omni3Dを構築し、上記のモノクロ検出器をマルチモーダルバージョンに拡張する。設計した単分子・多モード検出器をそれぞれUniMODEとMM-UniMODEと命名した。
論文参考訳（メタデータ） (2024-02-28T18:59:31Z)
A Robust and Efficient Boundary Point Detection Method by Measuring Local Direction Dispersion [8.906932064891796]
境界点検出は、クラスタの外輪郭構造を概説することを目的としている。既存の境界点検出器は密度に敏感であり、凹凸構造における境界点を特定できない。局所方向分散(LoDD)に基づくロバストで効率的な境界点検出法を提案する。
論文参考訳（メタデータ） (2023-12-07T06:09:21Z)
Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
論文参考訳（メタデータ） (2023-07-16T04:34:11Z)
Exploring Active 3D Object Detection from a Generalization Perspective [58.597942380989245]
不確実性に基づくアクティブな学習ポリシーは、ポイントクラウドの情報性とボックスレベルのアノテーションコストの間のトレードオフのバランスを取れません。冗長な3次元境界ボックスラベルの点群を階層的にフィルタリングするtextscCrbを提案する。実験により,提案手法が既存のアクティブラーニング戦略より優れていることが示された。
論文参考訳（メタデータ） (2023-01-23T02:43:03Z)
SSDBCODI: Semi-Supervised Density-Based Clustering with Outliers Detection Integrated [1.8444322599555096]
クラスタリング分析は、機械学習における重要なタスクの1つだ。クラスタリングクラスタリングのパフォーマンスが、異常値によって著しく損なわれる可能性があるため、アルゴリズムは、異常値検出のプロセスを組み込もうとする。我々は,半教師付き検出素子であるSSDBCODIを提案する。
論文参考訳（メタデータ） (2022-08-10T21:06:38Z)
RBGNet: Ray-based Grouping for 3D Object Detection [104.98776095895641]
本稿では,点雲からの正確な3次元物体検出のための投票型3次元検出器RBGNetフレームワークを提案する。決定された光線群を用いて物体表面上の点方向の特徴を集約する。 ScanNet V2 と SUN RGB-D による最先端の3D 検出性能を実現する。
論文参考訳（メタデータ） (2022-04-05T14:42:57Z)
On Hyperbolic Embeddings in 2D Object Detection [76.12912000278322]
双曲幾何学が対象分類空間の基盤構造に適合するかどうかを考察する。 2段階、キーポイントベース、トランスフォーマーベースオブジェクト検出アーキテクチャに双曲型分類器を組み込む。分類空間の構造に現れる分類階級階層を観察し、分類誤差を低くし、全体的な対象検出性能を高める。
論文参考訳（メタデータ） (2022-03-15T16:43:40Z)
SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
論文参考訳（メタデータ） (2022-01-06T08:54:47Z)

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。