[论文解读] Real3D-AD: A Dataset of Point Cloud Anomaly Detection

Jiaqi Liu, Guoyang Xie+6 more|arXiv (Cornell University)|Sep 23, 2023

Anomaly Detection Techniques and Applications被引用 11

一句话总结

提出 Real3D-AD，即迄今为止规模最大、精度最高的点云异常检测数据集，并提供 ADBench-3D 基准以及在该数据集上表现出色的 Reg3D-AD 基线。

ABSTRACT

High-precision point cloud anomaly detection is the gold standard for identifying the defects of advancing machining and precision manufacturing. Despite some methodological advances in this area, the scarcity of datasets and the lack of a systematic benchmark hinder its development. We introduce Real3D-AD, a challenging high-precision point cloud anomaly detection dataset, addressing the limitations in the field. With 1,254 high-resolution 3D items from forty thousand to millions of points for each item, Real3D-AD is the largest dataset for high-precision 3D industrial anomaly detection to date. Real3D-AD surpasses existing 3D anomaly detection datasets available regarding point cloud resolution (0.0010mm-0.0015mm), 360 degree coverage and perfect prototype. Additionally, we present a comprehensive benchmark for Real3D-AD, revealing the absence of baseline methods for high-precision point cloud anomaly detection. To address this, we propose Reg3D-AD, a registration-based 3D anomaly detection method incorporating a novel feature memory bank that preserves local and global representations. Extensive experiments on the Real3D-AD dataset highlight the effectiveness of Reg3D-AD. For reproducibility and accessibility, we provide the Real3D-AD dataset, benchmark source code, and Reg3D-AD on our website:https://github.com/M-3LAB/Real3D-AD.

研究动机与目标

• 激励在工业制造中对高精度、全景观点云异常检测的需求。
• 将 Real3D-AD 呈现为一个大规模、高分辨率的真实世界数据集，具备360度覆盖且无盲点。
• 提供结构化基准（ADBench-3D）以及用于高精度三维异常检测的鲁棒基线方法。
• 突出现有3D-AD数据集的局限性，并在 Real3D-AD 上评估时展示现有方法的缺口。

提出的方法

• 提出 Real3D-AD，一组分12个类别的高分辨率激光扫描点云数据集，共1,254个样本，每个对象大约包含一百万个点或更多。
• 建立 ADBench-3D 作为端到端的基准流水线，包括数据预处理、评估脚本、指标和可视化，以实现对 Real3D-AD 的可重复比较。
• 引入 Reg3D-AD，一种基于配准的异常检测方法，使用双特征内存库来保留训练原型的局部和全局表示。
• 使用基于 RANSAC 的配准将测试对象对齐到原型，并从局部和全局特征内存中计算点级和对象级异常分数。
• 结合基于核心集的内存库，在推理阶段维持一个紧凑且具代表性的训练特征集合，以实现高效检索。
• 证明 Reg3D-AD 在 Real3D-AD 上的表现优于八种基线 3D-AD 方法。

实验结果

研究问题

• RQ1 与基于 RGBD 的数据集相比，完整的 360 度扫描在高精度三维异常检测中带来哪些好处？
• RQ2 带有内存库的基于配准的方法在像 Real3D-AD 这样的小样本高精度三维数据集上，是否能有效检测并定位异常？
• RQ3 现有的 3D-AD 方法在 Real3D-AD 上的表现如何？存在哪些 Reg3D-AD 可以解决的空白？
• RQ4 整合局部和全局特征表示是否能提升点云的异常检测与定位？

主要发现

• Real3D-AD 实现了更高的点分辨率（0.04 mm）和点精度（0.011 mm），并提供360度覆盖，无盲点。
• 平均而言，Reg3D-AD 在 Real3D-AD 的评估类别中优于竞争方法，在基线中实现最佳平均 AUROC。
• 在 ADBench-3D 下，八种基线 3D-AD 方法在 Real3D-AD 上表现欠佳，突显出需要面向高精度三维异常检测的少样本、基于配准的方法。
• 本文提供端到端的基准工具包（ADBench-3D）以及数据集、基准代码和 Reg3D-AD 的发布，便于可重复性。
• Reg3D-AD 采用双特征内存库（局部和全局）以及内存增强的配准机制，通过将测试对象的特征与训练原型进行比较来检测异常。