論文の概要: Beyond Geometry: Benchmarking and Consistency Reasoning for 3D Logical Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.34143v1
• Date: Mon, 28 Sep 2026 02:25:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 06:34:42.958219
• Title: Beyond Geometry: Benchmarking and Consistency Reasoning for 3D Logical Anomaly Detection
• Title（参考訳）: Beyond Geometry:3次元論理異常検出のためのベンチマークと一貫性推論
• Abstract要約: Industrial Logical Anomaly Detection dataset (ILGAD)を導入する。 ILGADには15のカテゴリから2,774のサンプルがあり、ポイントレベルのアノテーションがあり、存在、仕様、ポーズ、アセンブリ状態のエラーをカバーしている。 本稿では,局所幾何学,構造被覆,空間関係が通常の設計に適合するかどうかを評価する一貫性推論フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 36.390693278931195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing 3D industrial anomaly detection mainly targets local geometric deviations. In contrast, many industrial anomalies violate object-level design or assembly rules, which we define as 3D logical anomalies. To address these challenges, we introduce the Industrial Logical Anomaly Detection Dataset (ILGAD), the first scalable benchmark dedicated to logical anomalies in industrial point clouds. ILGAD contains 2,774 samples from 15 categories with point-level annotations and covers existence, specification, pose, and assembly-state errors. To detect such 3D logical anomalies, we propose a consistency reasoning framework that assesses whether local geometry, structure coverage, and spatial relations conform to the normal design. The framework detects geometric changes, unsupported expected structures, and abnormal local arrangements. Experiments on ILGAD, Anomaly-ShapeNet, and IEC3D demonstrate superior object-level detection and point-level localization, showing that the framework effectively detects logical anomalies and generalizes to conventional geometric defects.
• Abstract（参考訳）: 既存の3D産業異常検出は主に局所的な幾何学的偏差を標的としている。 対照的に、多くの産業的異常は、3次元論理的異常と定義するオブジェクトレベルの設計や組立規則に違反している。 これらの課題に対処するため、産業用点雲における論理異常を専門とする最初のスケーラブルなベンチマークであるIndustrial Logical Anomaly Detection Dataset (ILGAD)を紹介した。 ILGADには15のカテゴリから2,774のサンプルがあり、ポイントレベルのアノテーションがあり、存在、仕様、ポーズ、アセンブリ状態のエラーをカバーしている。 このような3次元論理的異常を検出するために,局所幾何学,構造被覆,空間関係が通常の設計に適合するかどうかを評価する一貫性推論フレームワークを提案する。 このフレームワークは、幾何学的変化、期待しない構造、および異常な局所配置を検出する。 ILGAD, Anomaly-ShapeNet, IEC3Dの実験は, より優れたオブジェクトレベルの検出と点レベルのローカライゼーションを示し, そのフレームワークが論理的異常を効果的に検出し, 従来の幾何学的欠陥に一般化することを示した。

関連論文リスト

• Towards Generalizable 3D Anomaly Detection via Relational Inconsistency Modeling [3.405768252883924]
  3D異常検出は、ポイントクラウドデータの欠陥領域を特定することを目的としている。 本稿では,欠陥を幾何学的整合性の違反として特徴付ける関係不整合モデリングフレームワークを提案する。 提案手法は,関係性違反を抑えるために設計された擬似異常により,カテゴリに依存しない欠陥を学習する。
  論文  参考訳（メタデータ） (2026-09-28T12:52:32Z)
• AT3D-AD: Anomaly Type-Aware 3D Anomaly Detection via Hierarchical Point-Language Alignment [4.222624682912738]
  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。
  論文  参考訳（メタデータ） (2026-09-22T09:35:12Z)
• Point Cloud Diffusion with Global and Local Reconstruction for Instance-Level 3D Anomaly Detection [53.26344422459608]
  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。
  論文  参考訳（メタデータ） (2026-06-24T12:11:05Z)
• 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)
• 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)
• 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)
• 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)
• Learning Global-Local Correspondence with Semantic Bottleneck for Logical Anomaly Detection [6.553276620691242]
  本稿では,論理的制約を伴う視覚異常検出のためのGlobal-Local Cor correspondingence Framework (GLCF) という新しいフレームワークを提案する。 視覚異常検出は、産業的異常検出や医学的疾患の診断など、様々な現実世界の応用において活発な研究領域となっている。
  論文  参考訳（メタデータ） (2023-03-10T08:09:40Z)

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。