A Lightweight 3D Anomaly Detection Method with Rotationally Invariant Features

📄 arXiv: 2511.13115v2 📥 PDF

作者: Hanzhe Liang, Jie Zhou, Can Gao, Bingyang Guo, Jinbao Wang, Linlin Shen

分类: cs.CV

发布日期: 2025-11-17 (更新: 2025-12-14)

备注: Preprint. Accept by Pattern Recognition

💡 一句话要点

提出基于旋转不变特征的轻量级3D异常检测方法，提升点云数据处理的鲁棒性。

🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)

关键词: 3D异常检测 点云处理 旋转不变特征 卷积神经网络 迁移学习

📋 核心要点

  1. 现有3D异常检测方法在处理具有不同方向和位置的点云时，提取的特征会发生显著变化，导致检测性能下降。
  2. 论文提出一种旋转不变特征(RIF)框架，通过点坐标映射(PCM)和卷积变换特征网络(CTF-Net)提取鲁棒的旋转不变特征。
  3. 实验结果表明，该方法在Anomaly-ShapeNet和Real3D-AD数据集上均取得了先进的性能，验证了其有效性和泛化能力。

📝 摘要（中文）

本文提出了一种用于3D异常检测的旋转不变特征(RIF)框架。针对现有方法在处理具有方向和位置变化的点云时，特征差异显著的问题，本文设计了一种点坐标映射(PCM)技术，将每个点映射到旋转不变空间，以保持表示的一致性。同时，设计了一个轻量级的卷积变换特征网络(CTF-Net)，用于提取鲁棒且具有区分性的旋转不变特征，并构建记忆库。为了提高特征提取器的能力，引入了迁移学习的思想，使用3D数据增强对特征提取器进行预训练。在Anomaly-ShapeNet数据集上，本文方法平均P-AUROC提升了17.7%，在Real3D-AD数据集上取得了最佳性能，平均P-AUROC提升了1.6%。通过将RIF与传统特征提取方法结合，验证了其强大的泛化能力，表明其在工业应用中具有巨大的潜力。

🔬 方法详解

问题定义：3D异常检测旨在从点云数据中识别异常点或区域。现有方法在处理具有方向和位置变化的点云时，提取的特征会发生显著变化，导致检测性能下降。因此，如何提取对旋转和平移具有不变性的特征是该领域的一个关键挑战。

核心思路：论文的核心思路是构建旋转不变的特征表示。通过将点云数据映射到旋转不变空间，使得相同的物体在不同姿态下具有相似的特征表示。然后，利用卷积神经网络提取这些旋转不变特征，并用于异常检测。这种方法旨在消除姿态变化对特征提取的影响，从而提高异常检测的鲁棒性。

技术框架：该方法主要包含两个阶段：点坐标映射(PCM)和卷积变换特征网络(CTF-Net)。首先，PCM将原始点云数据映射到旋转不变空间。然后，CTF-Net提取旋转不变特征，并构建记忆库。在异常检测阶段，通过比较输入点云的特征与记忆库中的特征，来判断是否存在异常。为了提高特征提取器的性能，还采用了迁移学习策略，使用3D数据增强进行预训练。

关键创新：该方法最重要的创新点在于提出了点坐标映射(PCM)技术，将点云数据转换到旋转不变空间。这种方法能够有效地消除姿态变化对特征提取的影响，从而提高异常检测的鲁棒性。此外，轻量级的CTF-Net的设计也保证了算法的效率。

关键设计：PCM的具体实现方式未知，但其目标是生成旋转不变的坐标表示。CTF-Net是一个轻量级的卷积神经网络，其结构细节未知，但其目标是提取旋转不变特征。迁移学习的预训练策略使用3D数据增强来提高特征提取器的泛化能力。损失函数和具体的网络参数设置在论文中可能有所描述，但摘要中未提及。

📊 实验亮点

该方法在Anomaly-ShapeNet数据集上取得了显著的性能提升，平均P-AUROC提升了17.7%。在Real3D-AD数据集上，该方法也取得了最佳性能，平均P-AUROC提升了1.6%。这些结果表明，该方法在3D异常检测任务中具有很强的竞争力。

🎯 应用场景

该研究成果可应用于工业质检、自动驾驶、机器人导航等领域。例如，在工业质检中，可以利用该方法检测产品表面的缺陷，提高生产效率和产品质量。在自动驾驶中，可以用于识别道路上的障碍物和异常情况，提高驾驶安全性。在机器人导航中，可以帮助机器人识别环境中的物体，实现自主导航。

📄 摘要（原文）

3D anomaly detection (AD) is a crucial task in computer vision, aiming to identify anomalous points or regions from point cloud data. However, existing methods may encounter challenges when handling point clouds with changes in orientation and position because the resulting features may vary significantly. To address this problem, we propose a novel Rotationally Invariant Features (RIF) framework for 3D AD. Firstly, to remove the adverse effect of variations on point cloud data, we develop a Point Coordinate Mapping (PCM) technique, which maps each point into a rotationally invariant space to maintain consistency of representation. Then, to learn robust and discriminative features, we design a lightweight Convolutional Transform Feature Network (CTF-Net) to extract rotationally invariant features for the memory bank. To improve the ability of the feature extractor, we introduce the idea of transfer learning to pre-train the feature extractor with 3D data augmentation. Experimental results show that the proposed method achieves the advanced performance on the Anomaly-ShapeNet dataset, with an average P-AUROC improvement of 17.7\%, and also gains the best performance on the Real3D-AD dataset, with an average P-AUROC improvement of 1.6\%. The strong generalization ability of RIF has been verified by combining it with traditional feature extraction methods on anomaly detection tasks, demonstrating great potential for industrial applications.