論文の概要: AT3D-AD: Anomaly Type-Aware 3D Anomaly Detection via Hierarchical Point-Language Alignment

• arxiv url: http://arxiv.org/abs/2609.25930v1
• Date: Tue, 22 Sep 2026 09:35:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.311871
• Title: AT3D-AD: Anomaly Type-Aware 3D Anomaly Detection via Hierarchical Point-Language Alignment
• Title（参考訳）: AT3D-AD:階層的点線アライメントによる異常型3次元異常検出
• Abstract要約: Anomaly Type-Aware 3D Anomaly Detection (AT3D-AD) は、関節検出、局所化、分類のための統合されたフレームワークである。 AT3D-ADはAUROCの98.1%/98.9%、Real3D-ADでは95.0%/95.2%、Real3D-ADでは74.2%のマクロF1に達している。
• 参考スコア（独自算出の注目度）: 4.222624682912738
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Detecting and localizing 3D point-cloud defects is essential for industrial inspection. However, existing methods often suffer from imprecise localization due to the lack of anomaly supervision and reliance on single-granularity representations. To address these limitations, we propose Anomaly Type-Aware 3D Anomaly Detection (AT3D-AD), a unified framework for joint detection, localization, and classification. Specifically, we first design the Physics-Driven Parametric Anomaly Synthesis (PDPAS) module employing multiple parametric functions to generate synthetic anomalies, providing explicit anomaly supervision. Then, we propose the Hierarchical Global-Local Anomaly Alignment (HiGLA) module to align global and local representations within the normal and anomalous groups. Finally, we propose the Semantic-Geometric Anomaly Classification (SGAC) module to jointly learn localization and classification, yielding spatially precise and type-discriminative anomaly representations. Extensive experiments establish new state-of-the-art performance on all four benchmarks. AT3D-AD achieves Object/Point AUROC scores of 98.1\%/98.9\% on Anomaly-ShapeNet and 95.0\%/95.2\% on Real3D-AD, while reaching 74.2\% Macro-F1 for anomaly-type recognition on Real3D-AD.
• Abstract（参考訳）: 産業検査には3Dポイントクラウド欠陥の検出とローカライズが不可欠である。 しかし、既存の手法は、異常な監督の欠如と単一粒度表現への依存のため、しばしば不正確な局所化に悩まされる。 これらの制約に対処するため,共同検出,局所化,分類のための統合フレームワークであるAnomaly Type-Aware 3D Anomaly Detection (AT3D-AD)を提案する。 具体的には、まず、複数のパラメトリック関数を用いた物理駆動パラメトリック異常合成(PDPAS)モジュールを設計し、合成異常を生成する。 そこで, 階層的グローバル局所異常アライメント(HiGLA, Hierarchical Global-Local Anomaly Alignment)モジュールを提案する。 最後に,局所化と分類を共同で学習するセマンティック・ジオメトリ・異常分類(SGAC)モジュールを提案する。 大規模な実験は、4つのベンチマークで新しい最先端のパフォーマンスを確立する。 AT3D-ADは、Anomaly-ShapeNetでは98.1\%/98.9\%、Real3D-ADでは95.0\%/95.2\%、Real3D-ADでは74.2\%のマクロF1に達している。

関連論文リスト

• OV3D-Bench: A Diagnostic Benchmark for Open-Vocabulary Monocular 3D Detection [82.26920986339502]
  OV3D-Benchは、開語彙単分子3D検出器をデプロイリアルな条件下で比較する診断ベンチマークである。 7つの代表検出器を評価し, (i) 対象をよく局所化するが, しばしば意味的に隣接したカテゴリとして, 正しく局所化されたボックスを誤ラベルする。 我々は、SigLIPv2のような対照的な視覚言語エンコーダを用いて、凍結閉語彙検出器の予測を単に再マッピングするだけで、近年のオープン語彙法と競合することを示した。
  論文  参考訳（メタデータ） (2026-08-17T20:38:57Z)
• M2P-AD: Memory-to-Prototype Learning with Boundary-aware Score Refinement for 3D Anomaly Detection [10.86998594699358]
  3次元異常検出はコンピュータビジョンにおける重要な研究トピックとして浮上している。 メモリ・ツー・プロトタイプ異常検出モデル(M2P-AD)を提案する。 M2P-ADは、通常の領域における過剰な異常スコアと対象の境界付近の偽陽性を抑えながら、通常の特徴の分布を効果的にモデル化する。
  論文  参考訳（メタデータ） (2026-07-15T06:53:31Z)
• 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)
• Text-Guided Multimodal Unified Industrial Anomaly Detection [71.95719669933312]
  そこで本研究では,テキストセマンティクスによって導かれる多モーダル産業異常検出フレームワークを提案する。 フレームワークは、Geometry-Aware Cross-Modal MapperとObject-Conditioned Textual Feature Adaptorの2つのコアモジュールで構成されている。 本手法は,教師なし環境下での分類とローカライゼーションにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-04-24T13:21:22Z)
• 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)
• 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)
• 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)
• 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。