Anomalieerkennung in 3D-Punktwolken mittels tiefer geometrischer Deskriptoren

Wir präsentieren eine neue Methode zur unüberwachten Erkennung geometrischer Anomalien in hochaufgelösten 3D-Punktwolken. Insbesondere schlagen wir eine Anpassung des etablierten Schüler-Lehrer-Anomalieerkennungsrahmens für den dreidimensionalen Raum vor. Ein Schüler-Netzwerk wird trainiert, die Ausgabe eines vortrainierten Lehrer-Netzwerks auf anomaliefreien Punktwolken zu reproduzieren. Bei der Anwendung auf Testdaten ermöglichen Regressionsfehler zwischen Lehrer und Schüler eine zuverlässige Lokalisierung von anomalen Strukturen. Um ein ausdrucksstarkes Lehrer-Netzwerk zu konstruieren, das dichte lokale geometrische Deskriptoren extrahiert, führen wir eine neuartige selbstüberwachte Vortrainingsstrategie ein. Das Lehrer-Netzwerk wird durch die Rekonstruktion lokaler Rezeptivfelder trainiert und benötigt keine Annotationen. Ausführliche Experimente am umfassenden MVTec 3D-Anomalie-Erkennungsdatensatz unterstreichen die Effektivität unseres Ansatzes, der die nächstbeste Methode deutlich übertrifft. Abstraktionsstudien zeigen, dass unser Ansatz den Anforderungen praktischer Anwendungen hinsichtlich Leistungsfähigkeit, Laufzeit und Speicherverbrauch gerecht wird.