Schauen Sie Ins Innere: Interne Räumliche Modalitätswahrnehmung für die 3D-Anomalieerkennung

Die 3D-Anomalieerkennung ist in letzter Zeit zu einem wichtigen Schwerpunkt in der Computer Vision geworden. Mehrere fortschrittliche Methoden haben zufriedenstellende Ergebnisse bei der Anomalieerkennung erzielt. Dennoch konzentrieren sie sich in der Regel auf die äußere Struktur von 3D-Proben und haben Schwierigkeiten, die innerhalb der Proben eingebetteten internen Informationen zu nutzen. Inspiriert durch die grundlegende Intuition, warum nicht nach innen schauen, um mehr zu finden, stellen wir eine einfache Methode vor, die als Internal Spatial Modality Perception (ISMP) bezeichnet wird, um die Merkmalsrepräsentation aus internen Sichten vollständig zu erforschen. Insbesondere besteht unser vorgeschlagener ISMP aus einem entscheidenden Wahrnehmungsmodul, dem Spatial Insight Engine (SIE), das komplexe interne Informationen von Punktwolken in wesentliche globale Merkmale abstrahiert. Darüber hinaus schlagen wir ein verbessertes Modul zur Extraktion von Schlüsselpunktmern vor, um die Repräsentation räumlicher Strukturmerkmale zu verstärken und diese besser mit den Punktdaten abzustimmen. Gleichzeitig wird ein neues Feature-Filter-Modul integriert, um Rauschen und redundante Merkmale zu reduzieren und eine präzisere räumliche Struktur weiterhin abzubilden. Umfangreiche Experimente bestätigen die Effektivität unserer vorgeschlagenen Methode: Sie erreicht Verbesserungen des objektabhängigen und pixelabhängigen AUROC von 3,2 % und 13,1 % jeweils auf den Real3D-AD-Benchmarks. Es sei erwähnt, dass die starke Generalisierungsfähigkeit des SIE sowohl theoretisch bewiesen als auch in Klassifikations- und Segmentierungsaufgaben verifiziert wurde.