Zurück zur Eigenschaft: Klassische 3D-Eigenschaften sind (fast) alles, was man für die 3D-Fehlertekturierung braucht.

Trotz erheblicher Fortschritte bei der Bildanomaliedetektion und -segmentierung nutzen nur wenige Methoden 3D-Informationen. Wir verwenden einen kürzlich eingeführten 3D-Anomaliedatensatz, um zu evaluieren, ob die Nutzung von 3D-Informationen eine verpasste Chance ist. Zunächst präsentieren wir ein überraschendes Ergebnis: Standardmethoden, die nur Farbinformationen verwenden, übertreffen alle aktuellen Methoden, die explizit entwickelt wurden, um 3D-Informationen zu nutzen. Dies ist gegenintuitiv, da selbst eine einfache Inspektion des Datensatzes zeigt, dass Farbinformationen für Bilder mit geometrischen Anomalien unzureichend sind. Dies motiviert die Fragestellung: Wie können Anomaliedetektionsmethoden 3D-Informationen effektiv nutzen? Wir untersuchen eine Reihe von Formdarstellungen, einschließlich handgefertigter und auf tiefem Lernen basierender Darstellungen; wir zeigen, dass Rotationsinvarianz die führende Rolle in der Leistung spielt. Wir decken eine einfache Methode auf, die ausschließlich 3D-Informationen verwendet und alle neueren Ansätze übertrifft, ohne tiefes Lernen, externe Vortrainingsdatensätze oder Farbinformationen zu nutzen. Da die rein 3D-basierte Methode keine Farb- und Texturanomalien erkennen kann, kombinieren wir sie mit farbbasierten Merkmalen und erreichen so eine deutliche Überlegenheit gegenüber den bisherigen Stand der Technik. Unsere Methode, als BTF (Back to the Feature) bezeichnet, erzielt auf dem MVTec 3D-AD-Datensatz pixelweise ROCAUC: 99,3 % und PRO: 96,4 %.