论文：https://arxiv.org/pdf/2311.14897v3.pdf

项目：https://github.com/chopper-233/anomaly-shapenet

这篇论文主要关注的是3D异常检测和定位，这是一个在工业质量检查中至关重要的任务。作者们提出了一种新的方法来合成3D异常数据，并开发了一个自我监督学习网络以提升3D点云异常检测的可扩展性和效果。

1 论文的核心观点

• 数据集缺乏：当前3D异常检测模型的可扩展性受到真实世界3D异常数据稀缺的限制。
• 提出新方法：为了克服这个问题，作者提出了一个3D异常合成步骤，并创建了一个名为Anomaly-ShapeNet的新基准数据集。
• 自监督学习网络：同时，他们还提出了一个基于迭代掩码重建的自监督学习网络（IMRNet），用于3D异常检测和定位。

2 创新点

• 3D异常合成：提出了一个新颖的3D异常合成流程，极大地丰富了3D异常检测的数据多样性。
• IMRNet框架：引入了一种全新的自监督学习方法，特别是针对3D点云异常检测设计的迭代掩码重建机制。
• 几何感知采样：在点云处理中加入了对几何结构的理解，有助于更准确地捕捉异常结构。
• 性能优越：实验表明IMRNet在Anomaly-ShapeNet和Real3D-AD两个数据集上的表现优于现有最先进的方法，分别达到了66.1%和72.5%的I-AUC得分。

3 方法论

3.1 数据集构建

通过改进现有的大规模3D模型数据集，如ShapeNet，作者构建了合成数据集Anomaly-ShapeNet，该数据集包括40个类别的1600个点云样本，每个样本包含8000到30,000个点。

数据集中包含了六种典型的异常类型：鼓包、凹陷、孔洞、断裂、弯曲和裂缝，这些异常占整个点云的1%至10%。

点云精炼模块：

由于ShapeNet数据集中某些点云的点数和面数有限，作者开发了一个点云精炼模块以增加这些点云的细节。

引入缺陷：

使用Blender软件（一种在工业设计领域广泛应用的开源软件），作者可以进行各种操作如雕塑、细化、裁剪和编辑模式来创建多种类型的缺陷。这使得所合成的异常更加真实。

获取真值：

在获得异常样本后，使用CloudCompare软件（一种点编辑工具）来提取3D异常的标注区域。

3.2 IMRNet架构

IMRNet由三个模块组成：

几何感知采样模块（GPS）：确保在点云降采样过程中保留潜在的异常局部区域。

块状点掩码重建网络（PMR）：随机遮挡块状点并送入自动编码器进行基于重建的自我监督训练。

密集特征连接与比较模块（DFC）：将最终重建的点云与初始输入合并对比，成功定位异常。

4. 训练流程和测试流程

训练流程：标准的训练点云最初使用几何感知的点云采样（GPS）模块转换为块状点格式，形成多个块状点云组。在此之后，随机掩蔽应用于块状点，然后由一个基于自动编码器的变压器和一个轻量级预测头组成的网络重建，在自监督范式下工作，重建遮挡的块状点云。在训练阶段，利用Chamfer Distance l2 损失进行监督学习。

测试流程：对输入点云进行一个镜像训练过程的重建过程。将重建后的点云作为多次迭代的输入，循环反馈到重建网络中。最终，在重建的点云与原始点云和特征水平上进行比较分析，得到最终的异常得分图

5 检测效果