論文の概要: A Semantically Disentangled Unified Model for Multi-category 3D Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.25159v1
• Date: Thu, 26 Mar 2026 08:26:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.181967
• Title: A Semantically Disentangled Unified Model for Multi-category 3D Anomaly Detection
• Title（参考訳）: 多カテゴリー3次元異常検出のための意味的不整合統一モデル
• Authors: SuYeon Kim, Wongyu Lee, MyeongAh Cho,
• Abstract要約: 3D異常検出は、通常のデータのみに基づいて訓練された3D点雲における欠陥の検出と局所化を目標とする。 本稿では,3次元異常検出のためのセマンティック・アンタングル統一モデルを提案する。 本手法は, 統一モデルとカテゴリ固有モデルの両方の最先端性を達成し, オブジェクトレベルのAUROCをそれぞれ2.8%, 9.1%改善する。
• 参考スコア（独自算出の注目度）: 3.991584682799934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D anomaly detection targets the detection and localization of defects in 3D point clouds trained solely on normal data. While a unified model improves scalability by learning across multiple categories, it often suffers from Inter-Category Entanglement (ICE)-where latent features from different categories overlap, causing the model to adopt incorrect semantic priors during reconstruction and ultimately yielding unreliable anomaly scores. To address this issue, we propose the Semantically Disentangled Unified Model for 3D Anomaly Detection, which reconstructs features conditioned on disentangled semantic representations. Our framework consists of three key components: (i) Coarse-to-Fine Global Tokenization for forming instance-level semantic identity, (ii) Category-Conditioned Contrastive Learning for disentangling category semantics, and (iii) a Geometry-Guided Decoder for semantically consistent reconstruction. Extensive experiments on Real3D-AD and Anomaly-ShapeNet demonstrate that our method achieves state-of-the-art for both unified and category-specific models, improving object-level AUROC by 2.8% and 9.1%, respectively, while enhancing the reliability of unified 3D anomaly detection.
• Abstract（参考訳）: 3D異常検出は、通常のデータのみに基づいて訓練された3D点雲における欠陥の検出と局所化を目標とする。 統一モデルは、複数のカテゴリをまたいで学習することでスケーラビリティを向上させるが、異なるカテゴリからの潜伏する特徴が重複する、カテゴリ間絡み合い(ICE)に悩まされることが多い。 本稿では,3次元異常検出のためのセマンティック・アンタングル統合モデルを提案する。 私たちのフレームワークは3つの重要なコンポーネントで構成されています。 一 インスタンスレベルのセマンティックアイデンティティ形成のための粗大なグローバルトークン化 (二)カテゴリー別カテゴリー意味論のためのカテゴリー別コントラスト学習、及び 三 意味的に一貫した再構成のための幾何誘導復号器 Real3D-AD と Anomaly-ShapeNet の広範囲にわたる実験により,本手法は統一モデルとカテゴリ固有モデルの両方において最先端を達成し,オブジェクトレベルの AUROC を2.8%,9.1% 改善し,統一された3D 異常検出の信頼性を高めた。

関連論文リスト

• CASL: Curvature-Augmented Self-supervised Learning for 3D Anomaly Detection [49.74534277563012]
  本稿では,再編成パラダイムに基づくCASL(Curvature-Augmented Self-supervised Learning)フレームワークを提案する。 提案手法では,各点の空間座標を予測するためにデコーダを誘導するマルチスケール曲率プロンプトを導入する。 単純な異常分類の微調整により、先導的な検出性能を実現する。
  論文  参考訳（メタデータ） (2025-11-17T02:58:09Z)
• Stereo-based 3D Anomaly Object Detection for Autonomous Driving: A New Dataset and Baseline [10.933880236559604]
  3D検出技術は自動運転の分野で広く利用されている。 道路上に現れる稀な異常カテゴリーでは、3D検出モデルはしばしば誤検出または異常検出に失敗する。 本稿では,ステレオによる3次元異常物体検出(S3AD)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-12T09:10:29Z)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• 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)
• 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)
• 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)
• NOVUM: Neural Object Volumes for Robust Object Classification [22.411611823528272]
  画像分類のためのディープネットワークに3D合成対象表現を明示的に組み込むことにより,配布外シナリオの一般化が大幅に向上することを示す。 特に,対象対象クラス毎に特徴抽出器とニューラルオブジェクト容積からなる,NOVUMと呼ばれる新しいアーキテクチャを導入する。 実験の結果,NOVUMはオブジェクト表現の3次元構成構造のため,標準アーキテクチャよりも興味深い利点があることがわかった。
  論文  参考訳（メタデータ） (2023-05-24T03:20:09Z)
• Stereo Neural Vernier Caliper [57.187088191829886]
  学習に基づくステレオ3Dオブジェクト検出のための新しいオブジェクト中心フレームワークを提案する。 初期3次元立方体推定値から改良された更新を予測する方法の問題に対処する。 提案手法は,KITTIベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-21T14:36:07Z)

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。