論文の概要: Open-Set Supervised 3D Anomaly Detection: An Industrial Dataset and a Generalisable Framework for Unknown Defects

• arxiv url: http://arxiv.org/abs/2604.01171v1
• Date: Wed, 01 Apr 2026 17:23:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.117182
• Title: Open-Set Supervised 3D Anomaly Detection: An Industrial Dataset and a Generalisable Framework for Unknown Defects
• Title（参考訳）: Open-Set Supervised 3D Anomaly Detection: an Industrial Dataset and a Generalisable Framework for Unknown Defects
• Authors: Hanzhe Liang, Luocheng Zhang, Junyang Xia, HanLiang Zhou, Bingyang Guo, Yingxi Xie, Can Gao, Ruiyun Yu, Jinbao Wang, Pan Li,
• Abstract要約: 自己監督型3D異常検出は、高精度な点雲の取得は計算コストがかかると仮定する。 オープンセット型3次元異常検出法について検討し, 正規サンプルと少数の既知の異常サンプルを用いてモデルを訓練した。 本稿では,15のカテゴリを含む高品質な産業データセットであるOpen-Industryについて述べる。
• 参考スコア（独自算出の注目度）: 19.312310628271806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although self-supervised 3D anomaly detection assumes that acquiring high-precision point clouds is computationally expensive, in real manufacturing scenarios it is often feasible to collect a limited number of anomalous samples. Therefore, we study open-set supervised 3D anomaly detection, where the model is trained with only normal samples and a small number of known anomalous samples, aiming to identify unknown anomalies at test time. We present Open-Industry, a high-quality industrial dataset containing 15 categories, each with five real anomaly types collected from production lines. We first adapt general open-set anomaly detection methods to accommodate 3D point cloud inputs better. Building upon this, we propose Open3D-AD, a point-cloud-oriented approach that leverages normal samples, simulated anomalies, and partially observed real anomalies to model the probability density distributions of normal and anomalous data. Then, we introduce a simple Correspondence Distributions Subsampling to reduce the overlap between normal and non-normal distributions, enabling stronger dual distributions modeling. Based on these contributions, we establish a comprehensive benchmark and evaluate the proposed method extensively on Open-Industry as well as established datasets including Real3D-AD and Anomaly-ShapeNet. Benchmark results and ablation studies demonstrate the effectiveness of Open3D-AD and further reveal the potential of open-set supervised 3D anomaly detection.
• Abstract（参考訳）: 自己監督型3D異常検出は、高精度な点雲の取得は計算コストがかかると仮定するが、実際の製造シナリオでは、限られた数の異常サンプルを収集することがしばしば可能である。 そこで,実験時に未知の異常を識別するために,正規サンプルと少数の既知の異常サンプルのみを用いてモデルが訓練されるオープンセット型3D異常検出について検討した。 本稿では,15のカテゴリを含む高品質な産業データセットであるOpen-Industryについて述べる。 まず,3次元点クラウド入力の精度向上のために,一般のオープンセット異常検出手法を適用した。 そこで我々は,通常のサンプル,シミュレーションされた異常,そして部分的に観測された実異常を利用して,正規データと異常データの確率密度分布をモデル化する点クラウド指向アプローチOpen3D-ADを提案する。 次に、正規分布と非正規分布の重なりを低減し、より強力な二重分布モデリングを可能にするための単純な対応分布サブサンプリングを提案する。 これらの貢献に基づき、オープンインダストリーとReal3D-ADやAnomaly-ShapeNetなどの確立したデータセットに基づいて、包括的なベンチマークを構築し、提案手法を広範囲に評価する。 ベンチマーク結果とアブレーション研究は、Open3D-ADの有効性を示し、さらに、オープンセットの教師付き3D異常検出の可能性を明らかにした。

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)
• Few-Shot Anomaly-Driven Generation for Anomaly Classification and Segmentation [38.76264181764036]
  異常検出は, 産業検査における異常サンプルの不足により, 実用的かつ困難な課題である。 本稿では,現実的かつ多様な異常を生成するために拡散モデルを誘導するAnoGen法を提案する。 本手法は,DRAEMとDesTSegを基礎モデルとして構築し,一般的な産業用異常検出データセットであるMVTecの実験を行う。
  論文  参考訳（メタデータ） (2025-05-14T10:25:06Z)
• 3CAD: A Large-Scale Real-World 3C Product Dataset for Unsupervised Anomaly [22.150521360544744]
  3CADと呼ばれる大規模異常検出データセットを提案する。 3CADには8種類の製造部品があり、合計27,039個の高解像度画像にピクセルレベルの異常をラベル付けしている。 これは、3C製品の品質管理に特化した、最大かつ最初の異常検出データセットである。
  論文  参考訳（メタデータ） (2025-02-09T03:37:54Z)
• PO3AD: Predicting Point Offsets toward Better 3D Point Cloud Anomaly Detection [26.125202166476875]
  異常のない条件下での点雲異常検出は大きな課題となる。 より情報的な疑似異常点を対象とする,学習点オフセットを重視した革新的なアプローチを導入する。 提案手法は, AUC-ROC 検出基準において, 9.0% と 1.4% の精度向上を達成し, 既存の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-12-17T07:30:09Z)
• 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)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)

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。