PointCore: Efficient Unsupervised Point Cloud Anomaly Detector Using Local-Global Features

本文介绍了一种三维点云异常检测方法，旨在从训练集中检测异常数据点，为工业检测和自动驾驶等应用提供基础。然而，现有的点云异常检测方法通常需要多个特征存储器来完全保留局部和全局表示，这带来了高计算复杂度和特征不匹配的问题。为解决这个问题，本文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，称为PointCore。具体而言，PointCore只需要一个存储器来存储局部（坐标）和全局（PointMAE）表示，并为这些局部-全局特征分配不同的优先级，从而降低了推理中的计算成本和特征不匹配干扰。此外，为了对抗异常值，引入了一种归一化排名方法，不仅可以将不同尺度的值调整到一个概念上的公共尺度，还可以将密集分布的数据转化为均匀分布。在Real3D-AD数据集上的大量实验证明，与最先进的Reg3D-AD方法和几个竞争对手相比，PointCore实现了具有竞争力的推理时间和最佳的检测和定位性能。

本论文旨在解决点云异常检测中存在的多特征存储的复杂性和特征不匹配问题，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框架只需要单个存储器来存储局部和全局表示，并为这些局部-全局特征分配不同的优先级，从而降低计算复杂度和推理中的特征不匹配干扰。

论文使用Real3D-AD数据集进行广泛实验，证明PointCore在检测和定位方面的性能均优于现有方法。此外，论文还引入了一种归一化排名方法来抵御异常值。

与本论文相关的研究包括Reg3D-AD方法和其他竞争对手。