摘要
我们介绍了首个用于无监督异常检测和定位的全面3D数据集。该数据集灵感来源于现实世界中的视觉检查场景，即模型需要在仅使用无异常数据进行训练的情况下，检测出制造产品上的各种类型缺陷。这些缺陷表现为物体几何结构中的异常，导致3D数据表示出现显著偏差。我们使用高分辨率工业3D传感器获取了10种不同物体类别的深度扫描图像。对于所有物体类别，我们提供了训练集和验证集，其中每个集合仅包含无异常样本的扫描图像。相应的测试集中则包含显示各种缺陷（如划痕、凹陷、孔洞、污染或变形）的样本。每份异常测试样本都提供了精确的真值注释。我们在该数据集上对3D异常检测方法进行了初步基准测试，结果表明仍有很大的改进空间。
代码仓库
JerryX1110/Awesome-3D-Anomaly-Detection
GitHub 中提及
openvinotoolkit/anomalib
pytorch
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| 3d-anomaly-detection-and-segmentation-on | Voxel GAN | Detection AUROC: 0.537 Segmentation AUPRO: 0.583 |
| 3d-anomaly-detection-and-segmentation-on | Voxel VM | Detection AUROC: 0.571 Segmentation AUPRO: 0.492 |
| 3d-anomaly-detection-and-segmentation-on | Voxel AE | Detection AUROC: 0.699 Segmentation AUPRO: 0.348 |
| depth-anomaly-detection-and-segmentation-on | Depth VM | Detection AUROC: 0.546 Segmentation AUPRO: 0.374 |
| depth-anomaly-detection-and-segmentation-on | Depth GAN | Detection AUROC: 0.523 Segmentation AUPRO: 0.143 |
| depth-anomaly-detection-and-segmentation-on | Depth AE | Detection AUROC: 0.546 Segmentation AUPRO: 0.203 |
| rgb-3d-anomaly-detection-and-segmentation-on | Voxel GAN | Detection AUCROC: 0.517 Segmentation AUPRO: 0.639 |
| rgb-3d-anomaly-detection-and-segmentation-on | Voxel AE | Detection AUCROC: 0.538 Segmentation AUPRO: 0.564 |
| rgb-3d-anomaly-detection-and-segmentation-on | Voxel VM | Detection AUCROC: 0.609 Segmentation AUPRO: 0.471 |