C3D-AD : Vers une détection continue d'anomalies 3D via l'attention par noyau avec un conseiller apprenable

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

La détection d'anomalies 3D (AD) a démontré un grand potentiel pour identifier les anomalies ou défauts des produits industriels de haute précision. Cependant, les méthodes existantes sont généralement entraînées de manière spécifique à une classe et manquent également de capacité à apprendre à partir de nouvelles classes émergentes. Dans cette étude, nous proposons un cadre d'apprentissage continu nommé Continual 3D Anomaly Detection (C3D-AD), qui permet non seulement d'apprendre des représentations généralisées pour des nuages de points multi-classes, mais aussi de gérer de nouvelles classes apparaissant au fil du temps. Plus précisément, dans le module d'extraction de caractéristiques, pour extraire efficacement des caractéristiques locales généralisées à partir de divers types de produits pour différentes tâches, une couche d'attention à noyau avec caractéristiques aléatoires (KAL) est introduite, qui normalise l'espace des caractéristiques. Ensuite, pour reconstruire les données de manière correcte et continue, un mécanisme efficace d'attention à noyau avec conseiller apprenable (KAA) est proposé, qui apprend les informations des nouvelles catégories tout en éliminant les anciennes informations redondantes, à la fois dans l'encodeur et le décodeur. Enfin, pour maintenir la cohérence des représentations entre les tâches, un module de reconstruction avec perturbation des paramètres (RPP) est proposé en concevant une fonction de perte de répétition des représentations, qui garantit que le modèle se souvient des informations des catégories précédentes et retourne une représentation adaptative aux catégories. Des expériences approfondies sur trois ensembles de données publics démontrent l'efficacité de la méthode proposée, atteignant des performances moyennes de 66,4 %, 83,1 % et 63,4 % AUROC sur Real3D-AD, Anomaly-ShapeNet et MulSen-AD, respectivement.

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.