Retour sur la caractéristique : Les caractéristiques 3D classiques sont (presque) tout ce dont vous avez besoin pour la détection d'anomalies 3D

Malgré des avancées significatives dans la détection et le segmentage d'anomalies d'images, peu de méthodes utilisent des informations en 3D. Nous utilisons un jeu de données récemment introduit pour la détection d'anomalies en 3D afin d'évaluer si l'utilisation d'informations en 3D est une opportunité manquée. Premièrement, nous présentons une découverte surprenante : les méthodes standard basées uniquement sur la couleur surpassent toutes les méthodes actuelles conçues explicitement pour exploiter les informations en 3D. Cela est contre-intuitif car même une inspection simple du jeu de données montre que les méthodes basées uniquement sur la couleur sont insuffisantes pour les images contenant des anomalies géométriques. Cette constatation motive la question suivante : comment les méthodes de détection d'anomalies peuvent-elles utiliser efficacement les informations en 3D ? Nous examinons une gamme de représentations de forme, incluant celles conçues manuellement et celles basées sur l'apprentissage profond ; nous montrons que l'invariance à la rotation joue un rôle prépondérant dans les performances. Nous mettons au jour une méthode simple basée uniquement sur les informations en 3D qui bat toutes les approches récentes sans utiliser l'apprentissage profond, des jeux de données externes pour le pré-entraînement ou des informations sur la couleur. Comme cette méthode ne peut détecter ni les anomalies de couleur ni celles de texture, nous la combinons avec des caractéristiques basées sur la couleur, ce qui permet d'obtenir des performances nettement supérieures à celles de l'état de l'art précédent. Notre méthode, baptisée BTF (Back to the Feature), atteint un ROCAUC pixel par pixel de 99,3 % et un PRO de 96,4 % sur MVTec 3D-AD.