计算机应用

作者：杨建锋, 陈斌, 李雨轩

单位：1.中国科学院 成都计算机应用研究所，成都 610213；2.中国科学院大学，北京 100049；3.哈尔滨工业大学（深圳） 国际人工智能研究院，广东 深圳 518055；4.哈尔滨工业大学 重庆研究院，重庆 401151

关键词：异常检测,自监督学习,点云,计算机视觉,重构网络

面对日趋复杂的工业生产环境，三维点云工业异常检测需求与日俱增。尽管基于预训练网络的二维异常检测方法效果显著，但三维点云预训练网络的泛化能力有限，导致这类点云异常检测方法的效果不佳。为提高三维点云异常检测的性能，提出一种基于点云重构的异常检测方法Point-ReAD（Point cloud Reconstruction for Anomaly Detection），它由异常模拟模块、点云重构网络和异常判别模块这3个核心模块构成。在训练阶段，正常点云图经异常模拟模块产生异常点云送入点云重构网络，正常点云作为自监督信号指导重构网络的学习；点云重构网络使用分组注意力模块（GAM），用于融合点云的复杂结构信息，从而有效地捕捉点云中的几何和语义特征。在推理阶段，测试点云进入重构网络后生成重构点云，使用异常判别模块比较重构前后的点云，从而精确定位异常。实验结果表明，Point-ReAD在MVTec 3D-AD数据集上的点云级AUROC（PC-AUROC）和点级AUPRO（Area Under the Per-Region Overlap）分别达到了95.49%和94.66%，相较于次优方法3DR?M（3D Discriminatively trained Reconstruction Anomaly Embedding Model）分别提升了0.89和1.27个百分点。

来源：2025年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第10期