Boosting Global-Local Feature Matching via Anomaly Synthesis for Multi-Class Point Cloud Anomaly Detection

📄 arXiv: 2505.07375v1 📥 PDF

作者: Yuqi Cheng, Yunkang Cao, Dongfang Wang, Weiming Shen, Wenlong Li

分类: cs.CV

发布日期: 2025-05-12

备注: 12 pages, 12 figures

🔗 代码/项目: GITHUB

💡 一句话要点

提出基于异常合成和全局-局部特征匹配的GLFM方法，用于多类别点云异常检测。

🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)

关键词: 点云异常检测 多类别学习 异常合成 全局-局部特征匹配 工业质检

📋 核心要点

  1. 单类别无监督方法计算和存储成本高昂，多类别方法面临不同类别正常和异常点特征相似导致的特征混淆问题。
  2. GLFM方法通过异常合成生成异常数据，并构建全局和局部记忆库，从而区分易混淆的数据。
  3. 在MVTec 3D-AD等数据集上的实验表明，GLFM方法在点云异常检测方面表现优异。

📝 摘要（中文）

本文提出了一种名为GLFM的多类别点云异常检测方法，该方法利用全局-局部特征匹配来逐步分离多类别中易于混淆的数据。GLFM分为三个阶段：第一阶段提出了一种异常合成流程，通过拉伸点云来创建丰富的异常数据，用于调整点云特征提取器，以获得更好的特征表示。第二阶段根据所有训练数据的全局和局部特征分布，建立全局和局部记忆库，减弱特征混淆对记忆库建立的影响。第三阶段利用测试数据与全局和局部记忆库的特征距离，实现异常检测。在MVTec 3D-AD、Real3D-AD和实际工业零件数据集上的大量实验表明，所提出的GLFM具有优越的点云异常检测性能。

🔬 方法详解

问题定义：多类别点云异常检测旨在识别来自多个类别的点云数据中的异常点。现有单类别无监督方法难以扩展到多类别场景，且计算和存储成本随类别数量增加而显著上升。多类别方法面临的主要挑战是不同类别正常点和异常点之间存在特征相似性，导致特征混淆，严重影响检测性能。

核心思路：该论文的核心思路是通过异常合成来增强特征提取器的鲁棒性，并利用全局和局部特征匹配来区分易混淆的正常点和异常点。异常合成增加了异常数据的多样性，使得模型能够更好地区分正常和异常数据。全局和局部记忆库分别捕捉了数据的整体和局部特征分布，从而能够更精确地判断数据的异常程度。

技术框架：GLFM方法主要分为三个阶段： 1. 异常合成阶段（Stage-I）：通过拉伸点云等方式生成异常数据，用于训练点云特征提取器。 2. 记忆库构建阶段（Stage-II）：根据训练数据的全局和局部特征分布，分别建立全局记忆库和局部记忆库。 3. 异常检测阶段（Stage-III）：计算测试数据的特征与全局和局部记忆库的距离，根据距离判断是否为异常点。

关键创新：该论文的关键创新在于： 1. 提出了异常合成流程，有效缓解了多类别场景下异常数据稀缺的问题。 2. 引入了全局和局部记忆库，能够更全面地捕捉数据的特征分布，从而提高异常检测的准确性。 3. 结合异常合成和全局-局部特征匹配，有效解决了多类别点云异常检测中的特征混淆问题。

关键设计： 1. 异常合成策略：通过拉伸点云，模拟实际应用中可能出现的各种异常情况，增加异常数据的多样性。 2. 全局和局部特征提取：使用不同的网络结构或采样方法提取全局和局部特征，以捕捉数据的不同方面的信息。 3. 距离度量：使用合适的距离度量方法（如欧氏距离、余弦相似度等）计算测试数据与记忆库之间的距离，并设置合适的阈值来判断是否为异常点。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

GLFM方法在MVTec 3D-AD、Real3D-AD和实际工业零件数据集上进行了广泛的实验验证。实验结果表明，GLFM方法在多类别点云异常检测任务中取得了显著的性能提升，优于现有的基线方法。具体性能数据在论文中有详细展示，例如在MVTec 3D-AD数据集上，GLFM方法相比于其他方法取得了X%的性能提升（具体数值请参考论文）。

🎯 应用场景

该研究成果可广泛应用于工业质检、自动驾驶、医疗诊断等领域。例如，在工业质检中，可以利用该方法检测生产线上的缺陷产品；在自动驾驶中，可以用于识别道路上的异常障碍物；在医疗诊断中，可以辅助医生检测医学影像中的病灶。该研究有助于提高生产效率、保障行车安全和提升医疗诊断水平。

📄 摘要（原文）

Point cloud anomaly detection is essential for various industrial applications. The huge computation and storage costs caused by the increasing product classes limit the application of single-class unsupervised methods, necessitating the development of multi-class unsupervised methods. However, the feature similarity between normal and anomalous points from different class data leads to the feature confusion problem, which greatly hinders the performance of multi-class methods. Therefore, we introduce a multi-class point cloud anomaly detection method, named GLFM, leveraging global-local feature matching to progressively separate data that are prone to confusion across multiple classes. Specifically, GLFM is structured into three stages: Stage-I proposes an anomaly synthesis pipeline that stretches point clouds to create abundant anomaly data that are utilized to adapt the point cloud feature extractor for better feature representation. Stage-II establishes the global and local memory banks according to the global and local feature distributions of all the training data, weakening the impact of feature confusion on the establishment of the memory bank. Stage-III implements anomaly detection of test data leveraging its feature distance from global and local memory banks. Extensive experiments on the MVTec 3D-AD, Real3D-AD and actual industry parts dataset showcase our proposed GLFM's superior point cloud anomaly detection performance. The code is available at https://github.com/hustCYQ/GLFM-Multi-class-3DAD.