C3D-AD: Rumo à Detecção Contínua de Anomalias 3D via Atenção com Kernel e Assessor Aprendizável

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

Resumo

A Detecção de Anomalias 3D (AD) tem demonstrado grande potencial na identificação de anomalias ou defeitos em produtos industriais de alta precisão. No entanto, os métodos existentes são tipicamente treinados de forma específica para cada classe e também carecem da capacidade de aprender com classes emergentes. Neste estudo, propomos uma estrutura de aprendizado contínuo denominada Continual 3D Anomaly Detection (C3D-AD), que não apenas aprende representações generalizadas para nuvens de pontos multiclasse, mas também lida com novas classes que surgem ao longo do tempo. Especificamente, no módulo de extração de características, para extrair eficientemente características locais generalizadas de diversos tipos de produtos em diferentes tarefas, é introduzida a Camada de Atenção com Kernel e Características Aleatórias (KAL), que normaliza o espaço de características. Em seguida, para reconstruir os dados correta e continuamente, é proposto um mecanismo eficiente de Atenção com Kernel e Assessor Aprendível (KAA), que aprende as informações de novas categorias enquanto descarta informações antigas redundantes, tanto no codificador quanto no decodificador. Por fim, para manter a consistência da representação ao longo das tarefas, é proposto um módulo de Reconstrução com Perturbação de Parâmetros (RPP), projetando uma função de perda de ensaio de representação, que garante que o modelo se lembre das informações de categorias anteriores e retorne uma representação adaptativa à categoria. Experimentos extensivos em três conjuntos de dados públicos demonstram a eficácia do método proposto, alcançando um desempenho médio de 66,4%, 83,1% e 63,4% AUROC nos conjuntos Real3D-AD, Anomaly-ShapeNet e 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.