概要: 3Dポイントクラウドからの異常検知は、コンピュータビジョン分野でますます注目を集めており、近年ではいくつかのグループベースまたはポイントベースの手法が目覚ましい結果を達成しています。 しかし、3D異常検知のための正確な点ごとの表現を学習することには、大規模性とポイントクラウドの疎性に起因する大きな課題があります。本研究では、マルチスケールのレベル・オブ・ディテール（LOD）特徴を用いて識別的な符号付き距離関数を学習する、表面ベースの3D異常検知手法を提案します。まず、異常点を露出させることで識別的特徴の学習を促進するために、さまざまな種類のノイズを生成するNoisy Points Generation（NPG）モジュールを提示します。次に、ポイントクラウドからマルチスケール情報を捉えるMulti-scale Level-of-detail Feature（MLF）モジュールを導入し、微細なローカル特徴と粗いグローバル特徴の両方を提供します。最後に、抽出したマルチスケール特徴を活用してポイントクラウドの暗黙的な表面表現を学習するImplicit Surface Discrimination（ISD）モジュールを設計し、異常点と正常点を区別するための符号付き距離関数を効果的に学習します。実験結果は、提案手法がAnomaly-ShapeNetおよびReal3D-ADデータセットでそれぞれ平均オブジェクトレベルAUROC 92.1
b%と85.9
b%を達成し、いずれも現行の最良手法をそれぞれ2.1
b%および3.6
b%上回ることを示しています。コードはhttps://anonymous.4open.science/r/DLF-3AD-DA61で利用可能です。
マルチスケールのレベル・オブ・ディテール特徴から識別的符号付き距離関数を学習する3D異常検知
arXiv cs.CV / 2026/5/6
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、3Dポイントクラウドから識別的な符号付き距離関数（SDF）を学習する、サーフェスベースの3D異常検知手法を提案する。
- Noisy Points Generation（NPG）モジュールにより複数種類のノイズを合成し、異常点に関する状況をモデルに学習させることで特徴学習を改善する。
- Multi-scale Level-of-detail Feature（MLF）モジュールで、ポイントクラウドから細かな局所情報と粗い大域情報の両方を抽出し、スケールと疎性の課題に対処する。
- Implicit Surface Discrimination（ISD）モジュールは、抽出したマルチスケール特徴を活用して暗黙曲面表現を学習し、そのSDFによって異常点と正常点を効果的に区別できるようにする。
- Anomaly-ShapeNetおよびReal3D-ADで平均オブジェクトレベルAUROCがそれぞれ92.1%と85.9%となり、従来最高手法をそれぞれ2.1%と3.6%上回る結果を示し、コードも公開されている。
