論文の概要: PC$^2$-AD: Point Cloud Upsampling to Safeguard 3D Anomaly Detection with Resolution-constrained Edge Devices

• arxiv url: http://arxiv.org/abs/2609.14722v1
• Date: Sun, 13 Sep 2026 18:29:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.905056
• Title: PC$^2$-AD: Point Cloud Upsampling to Safeguard 3D Anomaly Detection with Resolution-constrained Edge Devices
• Title（参考訳）: PC$2$-AD: 解像度制約エッジデバイスを用いた3次元異常検出のためのポイントクラウドアップサンプリング
• Abstract要約: 低コストで低解像度のセンサーは、通常のトレーニングデータよりもかなり小さいテストポイント雲を生成することができる。 ダウンストリーム検出の前にスパーステスト入力を補償する点群アップサンプリングフレームワークであるPC$2$-ADを提案する。
• 参考スコア（独自算出の注目度）: 47.55686939191471
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-cost and low-resolution sensors used in edge deployments can produce test point clouds that are substantially sparser than the normal training data. This train-test sampling-resolution gap changes the local geometry available to a 3D anomaly detector. We propose PC$^2$-AD, a point cloud upsampling framework that compensates sparse test inputs before downstream detection. Target Domain Candidate Generation (TCG) adapts a pretrained upsampler to normal training geometry and generates a dense candidate pool. Geometry-Aware Candidate Filtering (GACF) selects candidates according to geometric spacing and spatial coverage. Normality-Preserving Point Compensation (NPPC) refines the selection by comparing candidate normality scores with those of their input anchors. The selected points are combined with the unchanged input points and processed by the existing detector. Experiments with six detectors on two Anomaly-ShapeNet settings and Real3D-AD show improvements in the mean of object-level and point-level AUROC for all six detectors in each Anomaly-ShapeNet setting and four on Real3D-AD. These results support point cloud compensation as an input-level approach to improving 3D anomaly detection under low-resolution sensing conditions. Code is publicly available at https://github.com/gyutong406-commits/PC2-AD.
• Abstract（参考訳）: エッジデプロイメントで使用される低コストで低解像度のセンサーは、通常のトレーニングデータよりもかなり小さいテストポイントクラウドを生成することができる。 このトレイン試験によるサンプリング分解ギャップは、3次元異常検出器で利用できる局所幾何学を変化させる。 ダウンストリーム検出の前にスパーステスト入力を補償する点群アップサンプリングフレームワークであるPC$2$-ADを提案する。 ターゲットドメイン候補生成(TCG)は、事前訓練されたアップサンプラーを通常のトレーニング幾何学に適応させ、密度の高い候補プールを生成する。 Geometry-Aware Candidate Filtering (GACF)は、幾何学的間隔と空間的カバレッジに応じて候補を選択する。 正規性保存点補償(NPPC)は、候補正規性スコアと入力アンカーのスコアを比較して、選択を洗練させる。 選択された点は、変化のない入力ポイントと組み合わせ、既存の検出器によって処理される。 Anomaly-ShapeNetの2つの設定における6つの検出器とReal3D-ADによる実験は、Anomaly-ShapeNetの各設定における6つの検出器とReal3D-ADにおける4つの検出器に対するオブジェクトレベルおよびポイントレベルAUROCの平均値の改善を示している。 これらの結果は、低分解能センシング条件下での3次元異常検出を改善するための入力レベルアプローチとして、点雲補償を支援する。 コードはhttps://github.com/gyutong406-commits/PC2-ADで公開されている。

関連論文リスト

• Anomaly Factory 3D: A Modular Framework for Diverse Pseudo-Anomaly Synthesis in Unsupervised 3D Anomaly Detection [0.0]
  Anomaly Factory 3D (AF3AD) は、通常の点雲から様々な擬似アノマリーを合成するモジュラーフレームワークである。 AF3ADは、様々な3D異常検出パラダイムにまたがる採用を容易にするスタンドアロンの合成ツールとして設計されている。
  論文  参考訳（メタデータ） (2026-06-28T03:55:44Z)
• PI3DETR: Parametric Instance Detection of 3D Point Cloud Edges with a Geometry-Aware 3DETR [0.0]
  本稿では,原点雲から3次元パラメトリック曲線を直接予測するエンドツーエンドフレームワークPI3DETRを提案する。 PI3DETRはABCデータセットに新たな最先端技術を設定し、実際のセンサデータに効果的に一般化し、3Dエッジと曲線推定のためのシンプルで強力なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-03T12:24:25Z)
• Surface Defect Identification using Bayesian Filtering on a 3D Mesh [10.3135376863545]
  本稿では,CADによる表面欠陥の自動検出手法を提案する。 我々はCADモデルに埋め込まれたアプリオリ知識を活用し、ポイントクラウドデータと統合する。
  論文  参考訳（メタデータ） (2025-01-30T12:49:17Z)
• V-DETR: DETR with Vertex Relative Position Encoding for 3D Object Detection [73.37781484123536]
  DETRフレームワークを用いた点雲のための高性能な3次元物体検出器を提案する。 限界に対処するため,新しい3次元相対位置(3DV-RPE)法を提案する。 挑戦的なScanNetV2ベンチマークで例外的な結果を示す。
  論文  参考訳（メタデータ） (2023-08-08T17:14:14Z)
• Toward Unsupervised 3D Point Cloud Anomaly Detection using Variational Autoencoder [10.097126085083827]
  本稿では3次元点雲に対するエンドツーエンドの教師なし異常検出フレームワークを提案する。 本稿では,3次元点群に適応した深部変分自動エンコーダに基づく非教師なし異常検出ネットワークと,特に3次元点群に対する異常スコアを提案する。
  論文  参考訳（メタデータ） (2023-04-07T00:02:37Z)
• 3D Cascade RCNN: High Quality Object Detection in Point Clouds [122.42455210196262]
  本稿では3次元カスケードRCNNを提案する。これはカスケードパラダイムにおいて、酸化点雲に基づいて複数の検出器を割り当てる。 提案する3次元カスケードRCNNは,最先端の3次元物体検出技術と比較した場合の優位性を検証した。
  論文  参考訳（メタデータ） (2022-11-15T15:58:36Z)
• CAGroup3D: Class-Aware Grouping for 3D Object Detection on Point Clouds [55.44204039410225]
  本稿では,CAGroup3Dという新しい2段階完全スパース3Dオブジェクト検出フレームワークを提案する。 提案手法は,まず,オブジェクト表面のボクセル上でのクラス認識型局所群戦略を活用することによって,高品質な3D提案を生成する。 不正なボクセルワイドセグメンテーションにより欠落したボクセルの特徴を回復するために,完全にスパースな畳み込み型RoIプールモジュールを構築した。
  論文  参考訳（メタデータ） (2022-10-09T13:38:48Z)
• RBGNet: Ray-based Grouping for 3D Object Detection [104.98776095895641]
  本稿では,点雲からの正確な3次元物体検出のための投票型3次元検出器RBGNetフレームワークを提案する。 決定された光線群を用いて物体表面上の点方向の特徴を集約する。 ScanNet V2 と SUN RGB-D による最先端の3D 検出性能を実現する。
  論文  参考訳（メタデータ） (2022-04-05T14:42:57Z)
• ST3D: Self-training for Unsupervised Domain Adaptation on 3D ObjectDetection [78.71826145162092]
  点雲からの3次元物体検出における教師なし領域適応のための新しい領域適応型自己学習パイプラインST3Dを提案する。 当社のST3Dは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、KITTI 3Dオブジェクト検出ベンチマークで完全に監視された結果を超えます。
  論文  参考訳（メタデータ） (2021-03-09T10:51:24Z)

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。