Fugu-MT 論文翻訳(概要): Two Steps Are All You Need: Efficient 3D Point Cloud Anomaly Detection with Consistency Models

論文の概要: Two Steps Are All You Need: Efficient 3D Point Cloud Anomaly Detection with Consistency Models

arxiv url: http://arxiv.org/abs/2605.05372v1
Date: Wed, 06 May 2026 18:52:53 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-08 22:27:11.383538
Title: Two Steps Are All You Need: Efficient 3D Point Cloud Anomaly Detection with Consistency Models
Title（参考訳）: 必要な2つのステップ:一貫性モデルによる効率的な3Dポイントクラウド異常検出
Authors: Pranav A, Shashank B, Pranav Siddappa, Dominik Seuss, Minal Moharir, Subramanya KN,
Abstract要約: 拡散モデルは、ポイントクラウドデータにおける3D異常検出を急速に再定義している。クリーンデータに対する再構築を明示的に実施する新しいハイブリッド損失定式化を導入する。この設計は推論コストを大幅に削減し、現在の最先端の手法よりも最大80倍高速な実行を実現した。
参考スコア（独自算出の注目度）: 0.3078691410268859
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Diffusion models are rapidly redefining 3D anomaly detection in point cloud data. As 3D sensing becomes integral to modern manufacturing, reliable anomaly detection is essential for high-throughput quality assurance and process control. Yet practical deployment on resource-constrained, latency-critical systems remains limited. Existing methods are often computationally prohibitive or unreliable in complex, unmasked regions, and diffusion pipelines are inherently bottlenecked by iterative denoising. In this work, we address this bottleneck by reformulating reconstructionbased anomaly detection through consistency learning, enabling direct prediction of anomaly-free geometry in one or two network evaluations. We further introduce a novel hybrid loss formulation that explicitly enforces reconstruction toward clean data. This design substantially reduces inference cost, achieving up to 80x faster runtime than the current state-of-the-art method, without GPU acceleration, while preserving strong detection performance. It outperforms R3D-AD on Anomaly-ShapeNet with 76.20% I-AUROC and remains competitive on Real3DAD with 72.80% I-AUROC, enabling efficient, low-latency anomaly detection on resource-constrained platforms, including drones, smart industrial cameras, and other edge devices.
Abstract（参考訳）: 拡散モデルは、ポイントクラウドデータにおける3D異常検出を急速に再定義している。現代の製造において3Dセンシングが不可欠となるにつれて、高スループット品質保証とプロセス制御には信頼性の高い異常検出が不可欠である。しかし、リソースに制約のあるレイテンシクリティカルなシステムへの実践的なデプロイは、依然として限られている。既存の手法は、複雑でマスキングされていない地域では計算が禁止されるか、信頼性が低い場合が多く、拡散パイプラインは本質的に反復的認知によってボトルネックとなる。本研究では, このボトルネックに対して, 整合性学習による再構成に基づく異常検出を再構成し, 1つないし2つのネットワーク評価において, 異常な幾何学の直接予測を可能にする。さらに、クリーンデータに対する再構築を明示的に実施する新しいハイブリッド損失定式化を導入する。この設計は推論コストを大幅に削減し、GPUアクセラレーションを必要とせず、強力な検出性能を維持しながら、現在の最先端手法よりも最大80倍高速な実行を実現した。 76.20%のI-AUROCでAnomaly-ShapeNet上のR3D-ADを上回り、72.80%のI-AUROCでReal3DADと競合し、ドローン、スマート産業用カメラ、その他のエッジデバイスを含むリソース制約されたプラットフォーム上で、効率的で低レイテンシな異常検出を可能にする。

関連論文リスト

Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。 Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。 Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
論文参考訳（メタデータ） (2026-03-12T14:36:53Z)
D3R-Net: Dual-Domain Denoising Reconstruction Network for Robust Industrial Anomaly Detection [0.0]
非教師付き異常検出(UAD)は、現代の製造において、自動視覚検査の鍵となる要素である。本稿では、D3R-Netについて紹介する。D3R-Netは、自己教師型「癒し」タスクと周波数認識正規化を結合したデュアルドメイン・デノベーション・コンストラクションフレームワークである。空間平均二乗誤差に加えて、周波数領域の整合性を促進するFast Fourier Transform (FFT) 等級損失を用いる。
論文参考訳（メタデータ） (2026-01-27T23:21:59Z)
IAENet: An Importance-Aware Ensemble Model for 3D Point Cloud-Based Anomaly Detection [2.08058961865456]
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。
論文参考訳（メタデータ） (2025-08-28T07:19:07Z)
Towards High-Resolution 3D Anomaly Detection: A Scalable Dataset and Real-Time Framework for Subtle Industrial Defects [3.3913177957853935]
MiniShiftは、最初の高解像度3D異常検出データセットである。計算オーバーヘッドを最小限に抑えた複雑な幾何学的詳細を捉えるためのフレームワークであるSimple3Dを紹介する。
論文参考訳（メタデータ） (2025-07-10T05:19:16Z)
Taming Anomalies with Down-Up Sampling Networks: Group Center Preserving Reconstruction for 3D Anomaly Detection [59.822737536103155]
グループ中心幾何構造を保存して3次元異常検出のための高精度点雲を再構成するために,ダウンアップサンプリングネットワーク(DUS-Net)を提案する。提案手法は、オブジェクトレベルのAUROCの79.9%と79.5%、Real3D-ADおよびAnomaly-ShapeNetデータセットの71.2%と84.7%のポイントレベルのAUROCを用いて、最先端(SOTA)性能を実現する。
論文参考訳（メタデータ） (2025-07-05T05:05:36Z)
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)
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)
Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文参考訳（メタデータ） (2022-06-23T14:16:30Z)
The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文参考訳（メタデータ） (2022-01-29T10:54:57Z)
Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。