知来者逆的博客

三维点云异常检测旨在从训练集中检测出异常数据点，是工业检测、自动驾驶等众多应用的基础。然而，现有的点云异常检测方法通常采用多个特征存储库来充分保留局部和全局特征表示，这带来了高昂的计算成本以及特征之间的不匹配问题。为解决这些问题，我们提出了一种基于联合局部 - 全局特征的无监督点云异常检测框架PointCore。具体而言，PointCore仅需一个存储库来存储局部（坐标）和全局（PointMAE）特征表示，并为这些局部 - 全局特征分配不同的优先级，从而降低推理过程中的计算成本和不匹配干扰。

KITTI数据集是由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创建的一个大规模自动驾驶场景下的计算机视觉算法评测数据集。KITTI数据集采集自德国卡尔斯鲁厄市，涵盖了市区、郊区、高速公路等多种交通场景。数据采集时间为 2011 年 09 月 26 日、28 日、29 日、30 日及 10 月 03 日的白天。KITTI数据采集平台如下图所示：IMU/GPS总结来说，KITTI数据集由 4 个相机、1 个激光雷达、1 个IMU/GPS惯导系统共同组成。

高精度点云异常检测是识别先进加工和精密制造缺陷的黄金标准。尽管该领域在方法上取得了一些进展，但数据集的稀缺和缺乏系统的基准阻碍了其发展。我们引入了 Real3D-AD，这是一个具有挑战性的高精度点云异常检测数据集，旨在解决该领域的局限性。Real3D-AD 包含 1254 个高分辨率 3D 物品（每个物品的点数从四万到数百万不等），是迄今为止用于高精度 3D 工业异常检测的最大数据集。

三维点云异常检测旨在从训练集中检测异常数据点，常用的点云异常检测方法通常采用多个特征记忆库来完全保留局部和全局表示，这种要考虑高昂的计算复杂度和特征间的不匹配问题。