論文の概要: IAENet: An Importance-Aware Ensemble Model for 3D Point Cloud-Based Anomaly Detection

• arxiv url: http://arxiv.org/abs/2508.20492v1
• Date: Thu, 28 Aug 2025 07:19:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.151313
• Title: IAENet: An Importance-Aware Ensemble Model for 3D Point Cloud-Based Anomaly Detection
• Title（参考訳）: IAENet: 3Dポイントクラウドによる異常検出のための重要認識アンサンブルモデル
• Authors: Xuanming Cao, Chengyu Tao, Yifeng Cheng, Juan Du,
• Abstract要約: 重要なボトルネックは、3Dで2Dに匹敵する強力な事前訓練された基盤のバックボーンがないことだ、と私たちは主張する。 本稿では,2次元事前学習エキスパートを3Dエキスパートモデルに相乗させるアンサンブルフレームワークであるImportance-Aware Ensemble Network (IAENet)を提案する。 IAENetは、明らかに偽陽性率の低い新しい最先端技術を実現し、産業展開における実用的価値を強調している。
• 参考スコア（独自算出の注目度）: 2.08058961865456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surface anomaly detection is pivotal for ensuring product quality in industrial manufacturing. While 2D image-based methods have achieved remarkable success, 3D point cloud-based detection remains underexplored despite its richer geometric cues. We argue that the key bottleneck is the absence of powerful pretrained foundation backbones in 3D comparable to those in 2D. To bridge this gap, we propose Importance-Aware Ensemble Network (IAENet), an ensemble framework that synergizes 2D pretrained expert with 3D expert models. However, naively fusing predictions from disparate sources is non-trivial: existing strategies can be affected by a poorly performing modality and thus degrade overall accuracy. To address this challenge, We introduce an novel Importance-Aware Fusion (IAF) module that dynamically assesses the contribution of each source and reweights their anomaly scores. Furthermore, we devise critical loss functions that explicitly guide the optimization of IAF, enabling it to combine the collective knowledge of the source experts but also preserve their unique strengths, thereby enhancing the overall performance of anomaly detection. Extensive experiments on MVTec 3D-AD demonstrate that our IAENet achieves a new state-of-the-art with a markedly lower false positive rate, underscoring its practical value for industrial deployment.
• Abstract（参考訳）: 表面異常検出は、工業生産における製品品質の確保に重要である。 2D画像ベースの手法は目覚ましい成功を収めているが、3Dポイントの雲による検出は、よりリッチな幾何学的手法にもかかわらず、まだ探索されていない。 重要なボトルネックは、3Dで2Dに匹敵する強力な事前訓練された基盤のバックボーンがないことだ、と私たちは主張する。 このギャップを埋めるために、我々は3Dエキスパートモデルで事前訓練された2D専門家を相乗化するアンサンブルフレームワークであるImportance-Aware Ensemble Network (IAENet)を提案する。 既存の戦略は、性能の悪いモダリティに影響され、全体的な精度が低下する可能性がある。 この課題に対処するために、各ソースの寄与を動的に評価し、それらの異常スコアを再重み付けする新しいIAF(Importance-Aware Fusion)モジュールを導入する。 さらに、IAFの最適化を明示的に導く臨界損失関数を考案し、ソースエキスパートの集合的知識を組み合わせながら、独自の強みを保ち、異常検出の全体的な性能を向上させる。 MVTec 3D-ADに関する大規模な実験は、我々のIAENetが、明らかに偽陽性率の低い新しい最先端技術を実現し、産業展開における実用的価値を強調していることを示している。

関連論文リスト

• GEAL: Generalizable 3D Affordance Learning with Cross-Modal Consistency [50.11520458252128]
  既存の3Dアベイランス学習手法は、注釈付きデータに制限があるため、一般化と堅牢性に苦慮している。 本稿では,大規模事前学習型2Dモデルを活用することで,3次元アベイランス学習の一般化と堅牢性を高めるための新しいフレームワークであるGEALを提案する。 GEALは、既存のメソッドと、新しいオブジェクトカテゴリ、および破損したデータにおいて、一貫して優れています。
  論文  参考訳（メタデータ） (2024-12-12T17:59:03Z)
• DM3D: Distortion-Minimized Weight Pruning for Lossless 3D Object Detection [42.07920565812081]
  本稿では,3次元物体検出のための新しいトレーニング後の重み付け手法を提案する。 事前訓練されたモデルにおける冗長パラメータを決定し、局所性と信頼性の両方において最小限の歪みをもたらす。 本フレームワークは,ネットワーク出力の歪みを最小限に抑え,検出精度を最大に維持することを目的とする。
  論文  参考訳（メタデータ） (2024-07-02T09:33:32Z)
• 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)
• OriCon3D: Effective 3D Object Detection using Orientation and Confidence [0.0]
  1つの画像から3次元物体を検出するための高度な手法を提案する。 我々は、深層畳み込みニューラルネットワークに基づく3Dオブジェクト重み付け指向回帰パラダイムを用いる。 提案手法は, 3次元オブジェクトのポーズ決定の精度を大幅に向上し, ベースライン法を超越した。
  論文  参考訳（メタデータ） (2023-04-27T19:52:47Z)
• Homography Loss for Monocular 3D Object Detection [54.04870007473932]
  ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。 提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
  論文  参考訳（メタデータ） (2022-04-02T03:48:03Z)
• Secrets of 3D Implicit Object Shape Reconstruction in the Wild [92.5554695397653]
  コンピュータビジョン、ロボティクス、グラフィックスの様々な用途において、高精細な3Dオブジェクトをスパースから再構築することは重要です。 最近の神経暗黙的モデリング法は、合成データセットまたは高密度データセットで有望な結果を示す。 しかし、粗末でノイズの多い実世界のデータではパフォーマンスが悪い。 本論文では, 一般的な神経暗黙モデルの性能低下の根本原因を解析する。
  論文  参考訳（メタデータ） (2021-01-18T03:24:48Z)
• SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
  具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。 我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
  論文  参考訳（メタデータ） (2019-12-26T08:48:04Z)

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。