Towards High-resolution 3D Anomaly Detection via Group-Level Feature Contrastive Learning
作者: Hongze Zhu, Guoyang Xie, Chengbin Hou, Tao Dai, Can Gao, Jinbao Wang, Linlin Shen
分类: cs.CV
发布日期: 2024-08-08
备注: ACMMM24, 12 pages, 5 figures
🔗 代码/项目: GITHUB
💡 一句话要点
提出Group3AD，通过组级别特征对比学习实现高分辨率3D异常检测
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 3D异常检测 点云处理 对比学习 高分辨率 工业质检
📋 核心要点
- 高分辨率点云异常检测面临海量数据难以处理、Transformer特征各向异性以及异常区域占比小等挑战。
- Group3AD通过簇间一致性和簇内对齐，实现组级别特征的有效对比学习，提升异常区域的像素密度。
- 实验表明，Group3AD在Real3D-AD数据集上，对象级别的AUROC指标超越Reg3D-AD 5%。
📝 摘要（中文）
本文提出了一种名为Group3AD的组级别特征网络，用于解决高分辨率点云（HRPCD）异常检测（AD）任务中的挑战。现有方法难以直接捕获HRPCD信息，基于Transformer的方法易产生各向异性特征，且异常区域占比小导致难以有效表征。Group3AD首先设计了簇间一致性网络（IUN），将特征空间中不同组的映射呈现为多个簇，从而获得更均匀的分布。然后，设计了簇内对齐网络（IAN），鼓励簇内的组在特征空间中紧密分布。此外，提出了一种基于几何信息的自适应组中心选择（AGCS）方法，以提高推理过程中潜在异常区域的像素密度。实验结果表明，Group3AD的有效性优于Reg3D-AD，在Real3D-AD数据集上，对象级别的AUROC指标提升了5%。
🔬 方法详解
问题定义：高分辨率3D异常检测旨在识别点云数据中的异常区域，这在精密加工和高端设备制造中至关重要。现有方法难以有效处理高分辨率点云的大量数据，并且基于Transformer的方法容易产生各向异性特征，导致表征能力下降。此外，异常区域通常占比很小，使得异常特征的提取和区分变得困难。
核心思路：论文的核心思路是将点云数据划分为多个组，并在组级别上进行特征学习和对比。通过构建簇间一致性和簇内对齐的网络结构，使得正常点云的特征在特征空间中呈现出均匀且紧密的分布。异常点云则会偏离这种分布，从而更容易被检测出来。这种方法能够有效降低数据量，并提升异常区域的特征表达能力。
技术框架：Group3AD的整体框架包含三个主要模块：Intercluster Uniformity Network (IUN)、Intracluster Alignment Network (IAN) 和 Adaptive Group-Center Selection (AGCS)。首先，IUN将不同组的特征映射到特征空间中的多个簇，并使这些簇之间的分布更加均匀。然后，IAN鼓励每个簇内的组在特征空间中紧密对齐。最后，AGCS基于几何信息自适应地选择组中心，以提高潜在异常区域的像素密度。
关键创新：该论文的关键创新在于提出了组级别的特征对比学习方法，以及相应的IUN和IAN网络结构。与传统的点云异常检测方法相比，Group3AD能够更有效地处理高分辨率点云数据，并提升异常区域的特征表达能力。AGCS方法进一步提高了异常检测的精度。
关键设计：IUN和IAN的具体实现细节未知，论文中可能使用了对比学习的损失函数，例如InfoNCE loss，来鼓励簇间的一致性和簇内的对齐。AGCS的具体实现细节也未知，但推测是根据点云的几何特征（例如曲率、法向量等）来选择组中心，从而提高潜在异常区域的采样密度。
🖼️ 关键图片
📊 实验亮点
Group3AD在Real3D-AD数据集上取得了显著的性能提升，对象级别的AUROC指标超越了Reg3D-AD 5%。这表明该方法在处理高分辨率3D异常检测问题上具有优越性，能够更有效地识别点云数据中的异常区域。
🎯 应用场景
该研究成果可应用于工业质检、精密制造、医疗影像分析等领域。例如，在工业质检中，可以利用该方法检测产品表面的缺陷；在医疗影像分析中，可以辅助医生诊断病灶。该方法能够提高检测精度和效率，降低人工成本，具有重要的实际应用价值和广阔的应用前景。
📄 摘要（原文）
High-resolution point clouds~(HRPCD) anomaly detection~(AD) plays a critical role in precision machining and high-end equipment manufacturing. Despite considerable 3D-AD methods that have been proposed recently, they still cannot meet the requirements of the HRPCD-AD task. There are several challenges: i) It is difficult to directly capture HRPCD information due to large amounts of points at the sample level; ii) The advanced transformer-based methods usually obtain anisotropic features, leading to degradation of the representation; iii) The proportion of abnormal areas is very small, which makes it difficult to characterize. To address these challenges, we propose a novel group-level feature-based network, called Group3AD, which has a significantly efficient representation ability. First, we design an Intercluster Uniformity Network~(IUN) to present the mapping of different groups in the feature space as several clusters, and obtain a more uniform distribution between clusters representing different parts of the point clouds in the feature space. Then, an Intracluster Alignment Network~(IAN) is designed to encourage groups within the cluster to be distributed tightly in the feature space. In addition, we propose an Adaptive Group-Center Selection~(AGCS) based on geometric information to improve the pixel density of potential anomalous regions during inference. The experimental results verify the effectiveness of our proposed Group3AD, which surpasses Reg3D-AD by the margin of 5\% in terms of object-level AUROC on Real3D-AD. We provide the code and supplementary information on our website: https://github.com/M-3LAB/Group3AD.