C3D-AD: Verso il Rilevamento Continuo di Anomalie 3D tramite Attenzione Kernel con Consulente Apprendibile

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

August 2, 2025

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

cs.AI

Abstract

Il rilevamento di anomalie 3D (AD) ha dimostrato un grande potenziale nell'individuazione di anomalie o difetti di prodotti industriali ad alta precisione. Tuttavia, i metodi esistenti sono tipicamente addestrati in modo specifico per classe e mancano della capacità di apprendere da nuove classi emergenti. In questo studio, abbiamo proposto un framework di apprendimento continuo denominato Continual 3D Anomaly Detection (C3D-AD), che non solo è in grado di apprendere rappresentazioni generalizzate per nuvole di punti multi-classe, ma anche di gestire nuove classi che emergono nel tempo. Nello specifico, nel modulo di estrazione delle caratteristiche, per estrarre efficacemente caratteristiche locali generalizzate da diversi tipi di prodotti di diverse attività, viene introdotto il Kernel Attention con random feature Layer (KAL), che normalizza lo spazio delle caratteristiche. Successivamente, per ricostruire i dati in modo corretto e continuo, viene proposto un meccanismo efficiente di Kernel Attention con Advisor apprendibile (KAA), che apprende le informazioni dalle nuove categorie mentre scarta le vecchie informazioni ridondanti sia nell'encoder che nel decoder. Infine, per mantenere la coerenza della rappresentazione tra i compiti, viene proposto un modulo di Ricostruzione con Perturbazione dei Parametri (RPP) progettando una funzione di perdita di rehearsal della rappresentazione, che assicura che il modello ricordi le informazioni delle categorie precedenti e restituisca una rappresentazione adattiva alla categoria. Esperimenti estensivi su tre dataset pubblici dimostrano l'efficacia del metodo proposto, raggiungendo una performance media del 66,4%, 83,1% e 63,4% AUROC rispettivamente su Real3D-AD, Anomaly-ShapeNet e MulSen-AD.

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.