PASDF: Bridging 3D Anomaly Localization and Repair via High-Quality Continuous Geometric Representation¶
会议: ICCV 2025
arXiv: 2505.24431
代码: https://github.com/ZZZBBBZZZ/PASDF
领域: 3D视觉 / 异常检测 / 隐式表示
关键词: 3D异常检测, SDF, 姿态对齐, 异常修复, 点云
一句话总结¶
提出PASDF框架，通过姿态对齐模块(PAM)将点云对齐到标准姿态 + 神经SDF网络学习连续几何表示 + 基于SDF偏差的异常评分，统一实现3D点云异常检测与异常修复(Marching Cubes提取零等值面作为修复模板)，在Real3D-AD上O-AUROC 80.2%、Anomaly-ShapeNet上90.0%均达SOTA。
背景与动机¶
现有3D异常检测方法依赖离散表示(体素/点/投影)，存在量化伪影和细节丢失问题。更关键的是，在制造业等实际场景中，检测异常只是第一步，还需要异常修复(in-situ repair)，而现有方法缺乏高保真修复能力。此外，测试样本姿态任意变化使得基于局部特征的方法容易失效。
核心问题¶
如何用连续几何表示替代离散表示，同时实现姿态不变的3D异常检测与高质量异常修复？
方法详解¶
整体框架¶
输入点云 → PAM姿态对齐(FPFH+RANSAC粗对齐 → ICP精细对齐 → Chamfer距离反馈迭代) → 采样查询点(表面/内部/外部) → 位置编码 → SDF网络预测有符号距离 → 推理时SDF偏差=异常分数 / Marching Cubes提取零等值面=修复模板
关键设计¶
- PAM姿态对齐模块: 选择一个正常样本作为Canonical Pose参考，所有训练/测试点云通过RANSAC+ICP迭代对齐到该参考系。引入Chamfer距离驱动的动态阈值反馈机制避免局部最优。消除姿态变化对异常检测的干扰。
- SDF连续表示: 8层MLP + skip connection + 位置编码，学习标准形状的连续有符号距离场。训练时采样23000个查询点(10000表面+10000包围盒内+3000单位体积)，用clamped L1 loss训练。
- 异常评分: 推理时直接将测试点云表面点输入SDF网络，|f_θ(x)|即为异常分数(正常点SDF≈0，异常点SDF偏大)。取Top-K平均作为物体级分数。
- 异常修复: 用Marching Cubes从训练好的SDF网络提取零等值面mesh，采样得到修复后点云。
损失函数¶
- Clamped L1 loss: L_SDF = (1/N_q) * Σ|clamp(ŝ_i, -d_max, d_max) - s_i|
实验关键数据¶
Real3D-AD¶
| 方法 | O-AUROC↑ | P-AUROC↑ |
|---|---|---|
| BTF(Raw) | 0.635 | - |
| Reg3D-AD | 0.752 | 0.715 |
| Group3AD | 0.757 | 0.741 |
| PASDF | 0.802 | 0.745 |
O-AUROC比前SOTA提升5%
Anomaly-ShapeNet (O-AUROC)¶
| 方法 | Mean |
|---|---|
| IMRNet | 0.640 |
| R3D-AD | 0.843 |
| PASDF | 0.900 |
40类中37类排名第一
消融实验¶
| 变体 | O-AUROC | P-AUROC |
|---|---|---|
| w/o RANSAC | 0.711 | 0.739 |
| w/o ICP | 0.727 | 0.836 |
| w/o 位置编码 | 0.887 | 0.783 |
| PASDF(完整) | 0.900 | 0.897 |
- PAM对PatchCore(FPFH)提升最大: O-AUROC +24.6%, P-AUROC +28.7%
异常修复¶
| 方法 | CD↓ | EMD↓ |
|---|---|---|
| w/o PE | 0.0255/0.0575 | 0.0133/0.0276 |
| with PE | 0.0203/0.0445 | 0.0110/0.0228 |
亮点 / 我学到了什么¶
- 统一检测与修复: 首次将3D异常检测和修复统一在SDF框架下——检测用SDF偏差评分，修复用Marching Cubes提取零等值面
- 姿态对齐的重要性: PAM模块对不同基线方法都有大幅提升(尤其PatchCore +24.6%)，说明姿态归一化是3D异常检测的关键预处理
- 位置编码对P-AUROC影响巨大: 去掉位置编码P-AUROC从89.7%降至78.3%，说明空间频率信息对细粒度异常定位至关重要
局限性 / 可改进方向¶
- PAM在初始姿态差距大时计算昂贵
- 当前假设单一正常类，未扩展到多类检测
- 对点云质量(噪声/离群点)敏感
与相关工作的对比¶
- vs Reg3D-AD: 基于记忆的方法，依赖间接特征映射；PASDF直接建模几何，O-AUROC +5%
- vs IMRNet: 重建型方法但用离散点表示，修复模板不连续；PASDF用SDF实现连续高保真修复
- vs R3D-AD: 基于扩散的方法计算密集；PASDF更简洁且O-AUROC更高(0.900 vs 0.843)
与我的研究方向的关联¶
- SDF作为连续3D表示在异常检测中的应用思路有启发性
- 姿态对齐 → 形状学习的解耦思路可迁移到其他3D理解任务
评分¶
- 新颖性: ⭐⭐⭐⭐ SDF用于异常检测+修复的统一框架新颖
- 实验充分度: ⭐⭐⭐⭐ 两个数据集+完整消融+PAM泛化性验证+修复质量评估
- 写作质量: ⭐⭐⭐⭐ 理论建模清晰(Sec.3.2)，pipeline图直观
- 对我的价值: ⭐⭐⭐ 异常检测领域，与主流3D视觉研究有一定距离但方法论有参考价值