論文の概要: Point Cloud Diffusion with Global and Local Reconstruction for Instance-Level 3D Anomaly Detection

• arxiv url: http://arxiv.org/abs/2606.25740v1
• Date: Wed, 24 Jun 2026 12:11:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.321777
• Title: Point Cloud Diffusion with Global and Local Reconstruction for Instance-Level 3D Anomaly Detection
• Title（参考訳）: インスタンスレベル3次元異常検出のための大域的および局所的再構成による点雲拡散
• Abstract要約: インスタンスレベルの3次元異常発生と検出のための点群拡散フレームワークである textbfPCDiff を提案する。 生成フェーズでは、インスタンスレベルのマルチモーダルアテンションが生成フレームワークに埋め込まれ、そこでは異常にテクスチャ勾配、画像パッチ、テキスト、マスクが条件付けられている。 検出段階では,局所的異常回復と大域的幾何整合性を確保するために,共同局所言語再構成アルゴリズムが導入された。
• 参考スコア（独自算出の注目度）: 53.26344422459608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D anomaly detection in point clouds is critical for high-precision industrial manufacturing. Reconstruction-based methods have laid a strong foundation by detecting 3D anomalies through comparisons between defective inputs and their reconstructed normal counterparts. However, existing methods still suffer from two challenges: 1) the foreground weak defective regions such as scratches are hard to reconstruct and detect, where the anomaly deviations in normalized point clouds can be as small as $10^{-3}$; 2) the background non-defective regions are prone to get positional bias in reconstruction, which leads to false positives. To address these challenges, we propose \textbf{PCDiff}, a point cloud diffusion framework for instance-level 3D anomaly generation and detection. In the generation phase, an instance-level multi-modal attention is embedded into the generation framework, where anomalies are conditioned with texture gradient, image patch, text and mask. The instance-level condition enables the high-quality generation of weak-defective anomalies. In the detection phase, a joint local-global reconstruction algorithm is introduced to ensure local anomaly restoration and global geometric consistency, which preserves background normal structure while restoring the foreground defect. Extensive experiments demonstrate that the proposed PCDiff significantly outperforms state-of-the-art methods in both 3D anomaly generation fidelity and reconstruction quality, leading to substantial improvements in anomaly detection accuracy.
• Abstract（参考訳）: 点雲における3次元異常検出は、高精度な工業製造に不可欠である。 レコンストラクションに基づく手法は、欠陥入力とそれらの再構成された正常な入力との比較により、3D異常を検出することによって、強力な基礎を築いた。 しかし、既存の方法はまだ2つの課題に悩まされている。 1) 平滑化点雲における異常偏差が10-3}$まで小さい場合, ひっかき傷などの前景の弱い欠陥領域を再構築し, 検出することは困難である。 2) 背景非欠陥領域は再建時に位置バイアスを生じやすいため, 偽陽性となる。 これらの課題に対処するために,インスタンスレベルの3次元異常生成と検出のための点クラウド拡散フレームワークであるtextbf{PCDiff}を提案する。 生成フェーズでは、インスタンスレベルのマルチモーダルアテンションが生成フレームワークに埋め込まれ、そこでは異常にテクスチャ勾配、画像パッチ、テキスト、マスクが条件付けられている。 インスタンスレベルの条件は、弱欠陥異常の高品質な生成を可能にする。 検出段階では, 局所的異常回復と大域的幾何整合性を確保するために, 前景欠陥を復元しながら, 背景の正常な構造を保ちながら, 共同で局所的局所的復元アルゴリズムを導入する。 大規模実験により,PCDiffは3次元異常発生率と再構成品質の両方において最先端の手法を著しく上回り,異常検出精度が大幅に向上した。

関連論文リスト

• DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
  本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。 我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。 この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:01:24Z)
• Hierarchical Point-Patch Fusion with Adaptive Patch Codebook for 3D Shape Anomaly Detection [24.451730437527804]
  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。
  論文  参考訳（メタデータ） (2026-04-05T05:37:27Z)
• 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)
• Correcting Deviations from Normality: A Reformulated Diffusion Model for Multi-Class Unsupervised Anomaly Detection [15.572896213775438]
  本稿では,選択的領域変更を目的とした標準拡散モデルの再構成を提案する。 遅延空間における異常をノイズとしてモデル化することにより,通常の領域を保存し,異常領域の変換を促進する。 包括的評価は, 複雑な画像中の異常を正確に同定し, 位置決めする上で, 提案手法の優位性を示すものである。
  論文  参考訳（メタデータ） (2025-03-25T05:14:40Z)
• 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)
• 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)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)

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。