【点云缺陷检测】PointCore

PointCore 文献阅读记录

文献链接

Point -core

基于Memory Bank的异常检测方法，是对Reg3D-AD的改进

主要贡献

• 仅使用一个Memory Bank存储局部-全局特征，减少推理的计算成本和不匹配干扰

• 提出了一种基于排序的归一化方法来消除各种异常分数之间的分布差异，稳健决策

实现细节

（1）全局-局部配准

全局：FPFH+RANSAC

局部：使用点-面的ICP优化全局配准的输出（改进Reg3D-AD）

（2）Memory Bank Construction

• 坐标点下采样

  使用贪婪下采样算法，每次选择点集中与下采样点平均距离最远的点

• 点特征插值

  使用Point-MAE作为点特征提取器

  对于1个点云，将坐标下采样的点作为中心点提取Point-MAE特征，形成（坐标，特征）元素组合

  对于非中心点，在中心点集中找到三个最近邻，通过公式得到非中心点的Point-MAE特征

其中D表示欧几里得距离，M是中心点的Point-MAE特征

（3）推理模块

• Multi-feature Anomaly Score Calculation

  Memory Bank表示为：
  

  测试样本的特征表示为:
  

  对于测试样本的每个元素，根据坐标信息在MemoryBank中找到3个最近邻，分别计算坐标的欧几里得距离和特征欧几里得距离，坐标异常分数和特征异常分数表示如下：
  
  

• Ranking Block

  基于排序的归一化
  

  区间缩放法只能消除异常分数之间的尺度差异，不能解决分布差异，不利于决策

  当两组数据的分布差异过大时，传统的最小-最大归一化（interval scaling method）方法可能会失效。例如，如果一个数据集中存在极端值，这些值会显著影响归一化的范围，导致其他数据点被压缩到较小的范围内，影响数据的相对关系和后续的分析。

  然而，排序归一化方法能够减轻这种影响，因为它仅仅考虑数据点的相对排名，而不受数据值本身的分布影响。即使两个数据集的分布差异很大，排序归一化后的数据仍然能够反映出它们的相对位置和排序，从而在不同分布之间提供一致的归一化结果。