論文の概要: Hierarchical Point-Patch Fusion with Adaptive Patch Codebook for 3D Shape Anomaly Detection

• arxiv url: http://arxiv.org/abs/2604.03972v1
• Date: Sun, 05 Apr 2026 05:37:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.855086
• Title: Hierarchical Point-Patch Fusion with Adaptive Patch Codebook for 3D Shape Anomaly Detection
• Title（参考訳）: 3次元形状異常検出のための適応パッチコードブックを用いた階層的ポイントパッチ融合
• Authors: Xueyang Kang, Zizhao Li, Tian Lan, Dong Gong, Kourosh Khoshelham, Liangliang Nan,
• Abstract要約: 3次元形状異常検出は産業検査と幾何解析にとって重要な課題である。 既存のディープラーニングアプローチは通常、正常な形状の表現を学び、異常を識別する。 本稿では,局所的特徴と局所的特徴を共同でモデル化した階層的点パッチ異常スコアリングネットワークを提案する。
• 参考スコア（独自算出の注目度）: 24.451730437527804
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D shape anomaly detection is a crucial task for industrial inspection and geometric analysis. Existing deep learning approaches typically learn representations of normal shapes and identify anomalies via out-of-distribution feature detection or decoder-based reconstruction. They often fail to generalize across diverse anomaly types and scales, such as global geometric errors (e.g., planar shifts, angle misalignments), and are sensitive to noisy or incomplete local points during training. To address these limitations, we propose a hierarchical point-patch anomaly scoring network that jointly models regional part features and local point features for robust anomaly reasoning. An adaptive patchification module integrates self-supervised decomposition to capture complex structural deviations. Beyond evaluations on public benchmarks (Anomaly-ShapeNet and Real3D-AD), we release an industrial test set with real CAD models exhibiting planar, angular, and structural defects. Experiments on public and industrial datasets show superior AUC-ROC and AUC-PR performance, including over 40% point-level improvement on the new industrial anomaly type and average object-level gains of 7% on Real3D-AD and 4% on Anomaly-ShapeNet, demonstrating strong robustness and generalization.
• Abstract（参考訳）: 3次元形状異常検出は産業検査と幾何解析にとって重要な課題である。 既存のディープラーニングアプローチは、通常、通常の形状の表現を学習し、配布外特徴の検出やデコーダベースの再構成を通じて異常を識別する。 グローバルな幾何学的誤差(例えば、平面シフト、角度のずれなど)など、様々な異常タイプやスケールの一般化に失敗することが多く、訓練中にノイズや不完全な局所点に敏感である。 これらの制約に対処するため、ロバストな異常推論のための局所的特徴と局所的特徴を共同でモデル化する階層的ポイントパッチ異常スコアリングネットワークを提案する。 アダプティブ・パッチーフィケーション・モジュールは、複雑な構造偏差を捉えるために自己教師付き分解を統合する。 公開ベンチマーク(Anomaly-ShapeNetとReal3D-AD)の評価以外にも、平面、角、構造欠陥を示す実CADモデルを用いた産業試験セットをリリースする。 パブリックおよびインダストリアルデータセットの実験では、新しい産業異常型に対する40%以上のポイントレベル改善、Real3D-ADにおける7%の平均オブジェクトレベルゲイン、Anomaly-ShapeNetでの4%など、AUC-ROCとAUC-PRのパフォーマンスが優れている。

関連論文リスト

• A Semantically Disentangled Unified Model for Multi-category 3D Anomaly Detection [3.991584682799934]
  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。
  論文  参考訳（メタデータ） (2026-03-26T08:26:46Z)
• Back to Point: Exploring Point-Language Models for Zero-Shot 3D Anomaly Detection [13.401003727539125]
  ゼロショット(ZS)3次元異常検出は信頼性の高い産業検査に不可欠である。 既存のアプローチでは、3Dポイントクラウドを2Dイメージにレンダリングし、異常検出のためにトレーニング済みのビジョンランゲージモデル(VLM)を活用する。 我々は、3Dポイントクラウドとテキスト埋め込みを効果的に整合させる新しいフレームワークであるBTPを提案する。
  論文  参考訳（メタデータ） (2026-03-23T02:59:00Z)
• 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)
• Registration is a Powerful Rotation-Invariance Learner for 3D Anomaly Detection [64.0168648353038]
  ポイントクラウドデータにおける3次元異常検出は、高い信頼性で構造欠陥を特定することを目的として、産業品質管理に不可欠である。 現在のメモリバンクベースの手法は、しばしば一貫性のない特徴変換と限定的な識別能力に悩まされる。 本稿では、ポイントクラウド登録とメモリベース異常検出の目的を統合した、登録による回転不変の特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-19T14:56:38Z)
• 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)
• Bridging 3D Anomaly Localization and Repair via High-Quality Continuous Geometric Representation [1.4763103835215192]
  新しいフレームワークは、連続的なポーズ不変の形状表現を学習することで、3D異常の検出と修復を統合する。 Real3D-ADとAnomaly-ShapeNetの実験は最先端の性能を示している。
  論文  参考訳（メタデータ） (2025-05-30T10:11:49Z)
• 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)
• 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)
• 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)

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。