SplatPose & Detect: Pose-Agnostic 3D Anomaly Detection

在学术界和工业界中，检测图像中的异常已成为一个被广泛探讨的问题。目前最先进的算法能够在越来越困难的环境和数据模态下检测缺陷。然而，大多数现有的方法不适用于处理从不同角度捕获的3D物体。虽然已经提出了使用神经辐射场（NeRFs）的解决方案，但它们需要过多的计算资源，这限制了它们在现实世界中的可用性。因此，我们提出了一种新颖的基于3D高斯点插值的框架SplatPose，它可以在不同的可微分方式下，准确地估计出3D物体的多视图图像中未见过的视图的姿态，并检测其中的异常。我们在训练和推理速度以及检测性能方面取得了最先进的结果，即使使用比竞争方法更少的训练数据。我们使用最近提出的Pose-agnostic Anomaly Detection基准和其多姿态异常检测（MAD）数据集对我们的框架进行了彻底评估。

论文旨在解决从不同角度捕捉的3D物体的异常检测问题，现有方法无法很好地解决这个问题，而且NeRF算法计算量大，不适用于实际应用。

论文提出了一种基于3D高斯喷洒的框架SplatPose，可以在可微分的情况下准确估计未见过的视角的姿态，并检测其中的异常。相比现有的方法，该框架在训练和推断速度以及检测性能方面都取得了最先进的结果。

论文使用Pose-agnostic Anomaly Detection基准和其多姿态异常检测（MAD）数据集对框架进行了全面评估，并取得了最先进的结果。此外，SplatPose框架使用的数据量比竞争方法少，具有更好的实用性。论文还开源了代码。

最近在这个领域中，还有一些相关的研究，例如NeRF和其改进版，以及其他基于深度学习的异常检测方法。