C3D-AD: Hacia la Detección Continua de Anomalías 3D mediante Atención de Kernel con Asesor Aprendible

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

August 2, 2025

Autores: Haoquan Lu, Hanzhe Liang, Jie Zhang, Chenxi Hu, Jinbao Wang, Can Gao

cs.AI

Resumen

La detección de anomalías en 3D (AD, por sus siglas en inglés) ha demostrado un gran potencial en la identificación de anomalías o defectos en productos industriales de alta precisión. Sin embargo, los métodos existentes suelen entrenarse de manera específica para cada clase y carecen de la capacidad de aprender de clases emergentes. En este estudio, proponemos un marco de aprendizaje continuo denominado Detección Continua de Anomalías en 3D (C3D-AD), que no solo puede aprender representaciones generalizadas para nubes de puntos multiclase, sino también manejar nuevas clases que surgen con el tiempo. Específicamente, en el módulo de extracción de características, para extraer eficientemente características locales generalizadas de diversos tipos de productos en diferentes tareas, se introduce la Capa de Atención con Kernel y Características Aleatorias (KAL), que normaliza el espacio de características. Luego, para reconstruir los datos de manera correcta y continua, se propone un mecanismo eficiente de Atención con Kernel y Asesor Aprendible (KAA), que aprende la información de nuevas categorías mientras descarta la información antigua redundante tanto en el codificador como en el decodificador. Finalmente, para mantener la consistencia de la representación a lo largo de las tareas, se propone un módulo de Reconstrucción con Perturbación de Parámetros (RPP) mediante el diseño de una función de pérdida de ensayo de representación, que asegura que el modelo recuerde la información de categorías anteriores y devuelva una representación adaptativa a la categoría. Experimentos exhaustivos en tres conjuntos de datos públicos demuestran la efectividad del método propuesto, alcanzando un rendimiento promedio de 66.4%, 83.1% y 63.4% en AUROC para Real3D-AD, Anomaly-ShapeNet y MulSen-AD, respectivamente.

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.