C3D-AD: Hin zu kontinuierlicher 3D-Anomalieerkennung durch Kernel-Attention mit lernbarem Berater

C3D-AD: Toward Continual 3D Anomaly Detection via Kernel Attention with Learnable Advisor

August 2, 2025

papers.authors: Haoquan Lu, Hanzhe Liang, Jie Zhang, Chenxi Hu, Jinbao Wang, Can Gao

cs.AI

papers.abstract

Die 3D-Anomalieerkennung (AD) hat großes Potenzial bei der Erkennung von Anomalien oder Defekten in hochpräzisen Industrieprodukten gezeigt. Bestehende Methoden werden jedoch typischerweise klassen-spezifisch trainiert und verfügen nicht über die Fähigkeit, aus neu auftretenden Klassen zu lernen. In dieser Studie schlagen wir ein kontinuierliches Lernframework namens Continual 3D Anomaly Detection (C3D-AD) vor, das nicht nur generalisierte Repräsentationen für multi-klassige Punktwolken lernen kann, sondern auch neue Klassen, die im Laufe der Zeit auftreten, verarbeiten kann. Insbesondere wird im Merkmalsextraktionsmodul die Kernel Attention mit zufälliger Merkmalschicht (KAL) eingeführt, um generalisierte lokale Merkmale aus verschiedenen Produkttypen unterschiedlicher Aufgaben effizient zu extrahieren und den Merkmalsraum zu normalisieren. Um Daten korrekt und kontinuierlich zu rekonstruieren, wird ein effizienter Kernel Attention mit lernbarem Advisor (KAA)-Mechanismus vorgeschlagen, der Informationen aus neuen Kategorien lernt, während redundante alte Informationen sowohl im Encoder als auch im Decoder verworfen werden. Schließlich wird zur Aufrechterhaltung der Repräsentationskonsistenz über Aufgaben hinweg ein Reconstruction with Parameter Perturbation (RPP)-Modul vorgeschlagen, indem eine Repräsentationswiederholungsverlustfunktion entworfen wird, die sicherstellt, dass das Modell vorherige Kategorieninformationen behält und kategorie-adaptive Repräsentationen zurückgibt. Umfangreiche Experimente auf drei öffentlichen Datensätzen demonstrieren die Effektivität der vorgeschlagenen Methode, die durchschnittliche Leistungen von 66,4 %, 83,1 % und 63,4 % AUROC auf Real3D-AD, Anomaly-ShapeNet und MulSen-AD erzielt.

English

3D Anomaly Detection (AD) has shown great potential in detecting anomalies or defects of high-precision industrial products. However, existing methods are typically trained in a class-specific manner and also lack the capability of learning from emerging classes. In this study, we proposed a continual learning framework named Continual 3D Anomaly Detection (C3D-AD), which can not only learn generalized representations for multi-class point clouds but also handle new classes emerging over time.Specifically, in the feature extraction module, to extract generalized local features from diverse product types of different tasks efficiently, Kernel Attention with random feature Layer (KAL) is introduced, which normalizes the feature space. Then, to reconstruct data correctly and continually, an efficient Kernel Attention with learnable Advisor (KAA) mechanism is proposed, which learns the information from new categories while discarding redundant old information within both the encoder and decoder. Finally, to keep the representation consistency over tasks, a Reconstruction with Parameter Perturbation (RPP) module is proposed by designing a representation rehearsal loss function, which ensures that the model remembers previous category information and returns category-adaptive representation.Extensive experiments on three public datasets demonstrate the effectiveness of the proposed method, achieving an average performance of 66.4%, 83.1%, and 63.4% AUROC on Real3D-AD, Anomaly-ShapeNet, and MulSen-AD, respectively.