マルチカテゴリ3D異常検出のための意味的に解きほぐされた統合モデル

arXiv cs.CV / 2026/3/27

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、正常データのみで学習される点群に対するマルチカテゴリ3D異常検出を扱い、共有された潜在特徴が誤った意味的事前知識（semantic priors）と信頼できない異常スコアにつながるという失敗モード「カテゴリ間のもつれ（Inter-Category Entanglement: ICE）」に焦点を当てている。
それを防ぐため、意味的に解きほぐされた表現に条件付けて特徴を再構成する「Semantically Disentangled Unified Model」を提案し、カテゴリ特徴の重なりを抑制する。
本手法は3つの要素を組み合わせる：インスタンスレベルの意味的同一性のための粗いものから細かいものへのグローバルトークン化、カテゴリの意味を分離するためのカテゴリ条件付きコントラスティブ学習、意味的に整合した再構成のための幾何誘導デコーダ。
Real3D-ADおよびAnomaly-ShapeNetでの実験により、統合設定およびカテゴリ固有設定のいずれにおいても最先端性能を達成しており、オブジェクトレベルのAUROC向上は統合で2.8%、カテゴリ固有で9.1%と報告され、統合型3D異常検出の信頼性も改善している。

概要: 3D異常検知は、正常データのみで学習した3D点群における欠陥の検出と位置特定を対象とする。複数カテゴリにまたがって学習することで統一モデルはスケーラビリティを向上させるが、しばしばカテゴリ間もつれ（Inter-Category Entanglement: ICE）という問題に悩まされる。すなわち、異なるカテゴリの潜在特徴が重なり合い、その結果、再構成の際に誤った意味的事前知識（semantic priors）をモデルが採用してしまい、最終的に信頼性の低い異常スコアにつながる。この問題に対処するため、我々は3D異常検知のためのセマンティックに分離された統一モデル（Semantically Disentangled Unified Model）を提案する。これは、分離された意味表現に条件付けて特徴を再構成する。本フレームワークは3つの主要コンポーネントから構成される: (i) インスタンスレベルの意味的同一性を形成するための粗いから細かいへの全体トークン化（Coarse-to-Fine Global Tokenization）、(ii) カテゴリ意味を分離するためのカテゴリ条件付き対照学習（Category-Conditioned Contrastive Learning）、および(iii) 意味的に一貫した再構成のための幾何ガイド付きデコーダ（Geometry-Guided Decoder）。 Real3D-ADおよびAnomaly-ShapeNetでの大規模な実験により、本手法が統一モデルとカテゴリ固有モデルの両方で最先端の性能を達成することが示される。具体的には、物体レベルのAUROCをそれぞれ2.8%および9.1%改善し、統一型3D異常検知の信頼性も向上させる。