SplatPose & Detect : Détection d'anomalies 3D indépendante de la pose

La détection d'anomalies dans les images est devenue un problème bien exploré tant dans le milieu académique que dans l'industrie. Les algorithmes de pointe sont capables de détecter des défauts dans des conditions et des modalités de données de plus en plus complexes. Cependant, la plupart des méthodes actuelles ne sont pas adaptées pour traiter les objets 3D capturés sous différents angles. Bien que des solutions utilisant les champs de rayonnement neuronaux (NeRFs) aient été proposées, elles souffrent de besoins computionnels excessifs, ce qui entrave leur utilisation dans le monde réel. Pour cette raison, nous proposons un nouveau cadre basé sur le splatting gaussien 3D appelé SplatPose, qui, à partir d'images multi-vues d'un objet 3D, estime avec précision la pose des vues non observées de manière différentiable et détecte les anomalies présentes. Nous obtenons des résultats de pointe en termes de vitesse d'entraînement et d'inférence, ainsi que de performance de détection, même en utilisant moins de données d'entraînement que les méthodes concurrentes. Nous évaluons notre cadre de manière approfondie en utilisant le benchmark récemment proposé pour la détection d'anomalies indépendante de la pose et son ensemble de données pour la détection d'anomalies multi-pose (MAD).