心爱心爱-优快云博客

原创 Metric—Phase Fields: Decoupling Distance and Sign for Thin-Structure Reconstruction from Unoriented

文章摘要本文提出了一种名为度量—相位场（MPF）的新型隐式表示方法，用于从无向点云中重建薄结构和开放边界曲面。传统的有符号距离函数（SDF）在水密流形上表现良好，但难以处理薄结构和开放边界；而无符号距离场（UDF）虽能适应这类几何形状，却因梯度奇异性导致优化和曲面提取困难。MPF通过解耦度量接近性（无符号距离场r）与拓扑相位（平滑相位场θ）来解决这一问题，其中相位场通过可学习的双曲正切变换生成有界相位指示器P=tanh(βθ)，提供软内部—外部线索。通过门控度量公式耦合两个场，MPF在保持近曲面稳定梯度的

2026-06-10 08:16:37 236

原创 Bridging 3D Anomaly Localization and Repair via High-Quality Continuous Geometric Representation论文精读

三维点云异常检测是构建鲁棒视觉系统的关键环节，但面临姿态变化与复杂几何异常的双重挑战。现有基于局部块的方法通常采用离散体素化或投影式表征，往往存在几何保真度不足的问题，限制了细粒度异常定位的能力。本文提出姿态感知有符号距离场（Pose-Aware Signed Distance Field, PASDF），一种通过学习连续、姿态不变的形状表征，实现三维异常检测与修复一体化的新框架。PASDF采用姿态对齐模块完成标准化处理，并通过SDF网络动态融合姿态信息，从而从连续的SDF中隐式学习高保真异常修复模板。

2026-06-01 15:25:25 332

原创 Parameter is Not All You Need:Starting from Non-Parametric Networks for 3D Point Cloud Analysis 论文精读

本文提出了一种用于3D点云分析的非参数网络Point-NN，它仅由不可学习组件（FPS、k-NN、池化和三角函数）构成，无需任何参数或训练即可在各种3D任务上表现良好。基于此，作者进一步提出两种扩展：1）将Point-NN作为基础架构，通过插入线性层构建参数高效的Point-PN；2）将Point-NN作为即插即用模块，在推理阶段直接增强现有3D模型的性能。实验表明，Point-NN在少样本场景下优势明显，其衍生模型Point-PN仅需少量参数即可达到竞争力性能，而作为插件能稳定提升现有方法的表现。

2026-06-01 15:24:35 424

原创 AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE 论文精读

尽管Transformer架构已成为自然语言处理任务的事实标准，但其在计算机视觉领域的应用仍较为有限。在视觉领域中，注意力机制要么与卷积网络结合使用，要么在保留卷积网络整体结构的前提下替换其中部分组件。我们的研究表明，这种对卷积神经网络（CNN）的依赖并非必要，直接将纯Transformer应用于图像块序列，也能在图像分类任务上取得出色表现。

2026-03-30 18:39:26 473

原创 DiffCD: A Symmetric Differentiable Chamfer Distance for Neural Implicit Surface Fitting 论文精读

神经隐式曲面可用于从不完美的点云中恢复精确的三维几何。在本文中，我们指出：当前最先进的技术本质是通过最小化单侧倒角距离的近似值来工作的。这一形状度量并不对称——它仅保证点云靠近曲面，却不保证曲面靠近点云。因此，现有方法可能生成带有伪曲面的不准确重建结果。尽管文献中广泛使用一种对抗伪曲面的方案，但我们从理论和实验上证明：该方案等价于对表面积进行正则化，会导致过度平滑。作为更具吸引力的替代方案，我们提出 DiffCD——一种对应对称倒角距离的新型损失函数。

2026-03-30 14:29:05 579

原创 Towards High-Resolution 3D Anomaly Detection: A Scalable Dataset ... MiniShift-Simple3D 论文精读

基于该流水线，我们构建了MiniShift——首个高分辨率3D异常检测数据集，该数据集包含2577个点云样本，每个样本包含50万个点，且异常区域占比均不足整体的1%。我们进一步提出了**Simple3D**，这是一套高效的检测框架，融合了多尺度邻域描述子（Multi-scale Neighborhood Descriptors, MSND）与局部特征空间聚合模块（Local Feature Spatial Aggregation, LFSA），能够以极低的计算开销捕捉复杂的特征。

2026-03-12 15:08:11 532

原创 LightGlue: Local Feature Matching at Light Speed 论文精读

我们提出了LightGlue，一种用于学习跨图像匹配局部特征的深度神经网络。我们重新审视了稀疏匹配领域的当前最优方法SuperGlue的多项设计决策，并提出了简单而有效的改进方案。这些改进累计使得LightGlue在内存和计算效率上更优、精度更高，且训练难度大幅降低。其关键特性之一是能够根据问题难度自适应调整：对于视觉重叠度高、外观变化小等直观上易于匹配的图像对，推理速度显著更快。这为在3D重建等对延迟敏感的应用中部署深度匹配器开辟了广阔前景。

2026-03-08 20:11:04 458

原创 conda下载在服务器中且环境存在指定目录下面

本文介绍了Conda环境管理的三个实用技巧：1) 将Conda环境创建到自定义目录，并通过配置envs_dirs实现快捷激活；2) 确保虚拟环境中pip安装的包独立于全局环境；3) 安装个人专属Miniconda解决权限问题。详细说明了从下载安装Miniconda到在PyCharm中配置专属环境的完整流程，包括关键命令如conda create --prefix、conda config --add envs_dirs等操作。特别强调了安装路径选择和初始化配置的重要性，以及如何验证安装成功，最终实现在PyC

2026-01-21 13:38:55 378

原创读取Real3D-AD中出现的问题及解决方法（自存）

Python 3.10与Open3D 0.18.0版本需匹配使用，否则会出现读取点云数据时的兼容性问题。不匹配版本会导致o3d.io.read_point_cloud()函数报错，需手动编写替代函数。常见错误为UTF-8解码失败（如"UnicodeDecodeError"），提示字节解码异常。建议保持版本对应以确保功能正常使用。

2026-01-21 13:33:36 82

原创 pytorch3d模块及使用（自存）

PyTorch3D提供了3D深度学习的关键功能模块，主要包括：1) ops模块包含核心3D操作，如knn_points点云处理和sample_farthest_points采样；2) loss模块提供3D专用损失函数，如chamfer_distance用于点云匹配；3) 其他重要模块包括renderer渲染和structures数据结构。这些模块共同支持3D数据的处理、计算和优化，为3D深度学习任务提供完整工具链。

2026-01-21 13:32:36 678

原创 Point-SRA: Self-Representation Alignment for 3D Representation Learning 论文精读

本文提出Point-SRA方法，通过自表征对齐机制提升3D点云表征学习性能。研究发现不同掩码率会产生互补性表征：低掩码率保留几何细节，高掩码率捕捉语义抽象。针对现有固定掩码率和逐点重建的局限性，提出双自表征对齐机制：在MAE层面整合不同掩码率的表征，在MeanFlow Transformer（MFT）层面对齐不同时间步的表征。MFT采用概率建模解决重建不确定性，支持多样化生成。实验表明，Point-SRA在ScanObjectNN分类任务上比Point-MAE提升5.37%，在动脉瘤分割任务中达到86.87

2026-01-16 08:47:01 871

原创 PointMAE的代码配环境+运行

本文介绍了PointMAE模型的安装配置、数据集准备和常见报错解决方案。主要内容包括：1) 在隔离环境中配置CUDA 11.3并安装torch等依赖库；2) 安装Pointnet2_PyTorch、KNN_CUDA等关键组件；3) 准备ShapeNet55数据集并编写脚本划分训练/测试集；4) 解决了timm版本不匹配和RuntimeError等常见报错。配置过程详细记录了各组件版本号，为PointMAE的预训练提供了完整的环境搭建指南。

2026-01-14 14:37:47 734

原创 pip 隔离环境内安装 cuda 113 不覆盖原有的全局 cuda 115

先通过指定路径安装CUDA 11.3，避免覆盖现有11.5；修改目标虚拟环境的activate脚本，实现“激活环境=用11.3，退出=恢复11.5”；验证核心：激活环境后nvcc -V显示11.3，退出后显示11.5，即配置成功。

2026-01-13 15:44:08 477

原创 Xshell 配置指定的python环境

本文详细介绍了在Linux系统上从源码编译安装Python 3.10.9的完整步骤。首先下载并解压Python源码包，然后配置编译参数并指定安装路径。接着进行源码编译和系统安装，完成后配置环境变量使新安装的Python生效。最后通过版本验证确认安装成功。文中还补充了在Ubuntu/Debian系统上安装Python编译所需依赖包的命令，确保编译过程顺利进行。整个流程涵盖了从下载到验证的全部关键步骤，适合需要自定义Python环境的用户参考。

2026-01-12 10:06:45 243

原创 A Lightweight 3D Anomaly Detection Method with Rotationally Invariant Features 论文精读

为解决这一问题，我们提出一种面向三维异常检测的新型旋转不变特征（RIF）框架：首先，为消除点云数据变异的不利影响，我们提出点坐标映射（PCM）技术，将每个点映射到旋转不变空间，以保持表示的一致性；其次，为学习鲁棒且具有区分性的特征，我们设计了轻量级的卷积变换特征网络（CTF-Net），用于提取旋转不变特征并存入记忆库；为提升特征提取器的性能，我们引入迁移学习思路，结合三维数据增强对特征提取器进行预训练。

2026-01-05 11:03:34 798

原创 CASL: Curvature-Augmented Self-supervised Learning for 3D Anomaly Detection 论文精读

我们发现：仅将每个点的曲率作为异常得分的方法，已能优于多个经典自监督模型与专属异常检测模型，这凸显了曲率在三维异常检测中的关键作用。在本文中，我们提出一种基于重建范式的曲率增强自监督学习（CASL）框架。该方法以经典U-Net架构为基础，引入多尺度曲率提示，引导解码器预测每个点的空间坐标。无需依赖任何专属的异常检测机制，仅通过简单的异常分类微调，该方法就取得了领先的检测性能；此外，学到的表征在点云分类等标准三维理解任务中也具有良好的泛化性。

2025-12-16 16:53:42 847

原创 Correcting Deviations from Normality: A Reformulated Diffusion Model for Multi-Class Unsupervised AD

本文提出了对标准扩散模型的重构方案，专门针对“选择性区域修改”进行设计，以实现异常的精准识别。通过将异常建模为潜空间中的噪声，我们提出的“偏差修正扩散（DeCo-Diff）模型”能够保留正常区域，并仅对异常区域进行变换。这种选择性方法提升了重建质量，有助于对异常区域开展有效的无监督检测与定位。

2025-12-04 18:57:07 1064

原创 UniNet: A Contrastive Learning-guided Unified Framework with Feature Selection for Anomaly Detection

异常检测（AD）是一项关键的视觉任务，旨在识别样本中的异常模式。然而，大多数现有异常检测方法的泛化能力有限，因为它们主要是为特定领域的应用（如工业场景）设计的，在应用于其他领域时往往表现不佳。这一挑战主要源于不同领域间特征的固有差异。为了弥合这一领域差距，我们提出了UniNet，这是一个通用的统一框架，融合了有效的特征选择和对比学习引导的异常判别。

2025-12-03 13:47:52 973

原创 Boosting Global-Local FeatureMatchingviaAnomalySynthesisforMulti-ClassPointCloudAnomalyDetection论文精读

点云异常检测对各类工业应用至关重要。产品类别增多带来的巨大计算和存储成本限制了单类无监督方法的应用，因此亟需发展多类无监督方法。然而，不同类别数据中正常点与异常点之间的特征相似性会引发特征混淆问题，极大阻碍了多类方法的性能。为此，我们提出一种名为GLFM的多类点云异常检测方法，通过全局-局部特征匹配逐步分离多类中易混淆的数据。

2025-11-09 20:03:46 873

原创 Shape-Guided Dual-Memory Learning for 3D Anomaly Detection 论文精读

我们提出一种形状引导的专家学习框架，用于解决无监督三维（3D）异常检测问题。该方法基于两个专用专家模型的有效性及其协同作用，从颜色和形状模态中定位异常区域。第一个专家利用几何信息，通过对局部形状周围的隐式距离场建模，探测3D结构异常；第二个专家结合与第一个专家关联的2D RGB特征，识别局部形状上的颜色外观不规则性。我们利用这两个专家，从无异常的训练样本中构建双记忆库，并执行形状引导的推理，以精确定位测试样本中的缺陷。

2025-11-07 17:37:38 1184

原创 Point-UMAE: Unet-like Masked Autoencoders for Point Cloud Self-supervised Learning 论文精读

本文提出Point-UMAE，一种基于U-Net结构的点云自监督学习方法，通过非对称编解码器架构和多尺度掩码策略增强点云特征学习。该方法采用自上而下的细粒度掩码策略，结合FPS和KNN算法进行点云块划分与特征融合，有效防止信息泄漏。实验表明，Point-UMAE在ModelNet40和ScanObjectNN数据集上分类性能分别比基线方法提升1%和4.14%，并在少样本学习、部件分割等下游任务中表现优异。研究还探讨了不同掩码策略和编码器结构对性能的影响。

2025-10-13 14:29:03 491

原创 Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection 论文精读

为解决该问题，我们提出了一种局部到全局的自监督特征适配（LSFA）方法，用于微调适配器并学习面向异常检测任务的表示。在LSFA中，模态内适配和跨模态对齐均从“局部到全局”的视角进行优化，以保证推理阶段的表示质量与一致性。大量实验表明，我们的方法不仅能显著提升基于特征嵌入的方法的性能，还在MVTec-3D AD和Eyecandies数据集上均大幅超越了以往的最先进（SoTA）方法；例如，LSFA在MVTec-3D上实现了97.1%的

2025-09-15 13:20:24 1097

原创 C3D-AD: Toward Continual 3D Anomaly Detection via Kernel Attention with Learnable Advisor 论文精读

本文提出了一种名为C3D-AD的新型持续学习框架，用于解决三维点云数据的持续异常检测问题。该框架通过三个关键创新实现：1）引入带随机特征层的核注意力机制（KAL）提取泛化特征并归一化特征空间；2）设计带可学习顾问的核注意力网络（KAA）以线性复杂度更新知识，有效学习新类别并剔除冗余信息；3）提出带参数扰动的重建模块（RPP）通过预测未来输出约束当前输出，保持跨任务表示一致性。在三个公共数据集上的实验表明，该方法在持续学习场景下表现出色，平均AUROC达到66.4%、83.1%和63.4%，是首个以类别增量方

2025-09-04 22:32:29 1204

原创 CSPNet: A New Backbone that can Enhance Learning Capability of CNN （CSP模块）

本文提出跨阶段局部网络(CSPNet)以解决传统卷积神经网络(如DenseNet)中梯度信息重复利用导致的计算冗余问题。通过将输入特征在通道维度分割为两部分，分别进行直接连接和密集块处理，并设计局部过渡层进行梯度流截断和特征融合，有效减少了50%的内存流量和计算量。实验表明，该方法在保持DenseNet特征复用优势的同时，仅牺牲0.1%的分类准确率就显著提升了计算效率。两种融合策略对比显示，后融合方式通过截断梯度流，能更有效地避免重复学习冗余信息。

2025-07-09 17:08:23 923

原创 DAS3D: Dual-modality Anomaly Synthesis for 3D Anomaly Detection 论文精读

本文提出了一种新颖的3D工业异常检测方法DAS3D，通过双模态异常合成和增强判别网络提升检测性能。针对3D异常数据收集困难的问题，该方法创新性地结合深度和RGB模态，通过数学操作合成物理意义合理的3D异常样本。在此基础上，构建了一个端到端的判别网络，包含重构子网络和双模态判别器，并引入增强丢弃机制优化模态融合。实验表明，该方法在MVTec 3D-AD和Eyescandies数据集上实现了最先进的检测精度（AUROC分别达0.982和0.915），且生成的异常图边界更清晰。该方法为3D工业检测提供了高效的异常

2025-07-09 17:01:06 1489

原创 BACK TO THE FEATURE: CLASSICAL 3D FEATURES ARE (ALMOST) ALL YOU NEED FOR 3D ANOMALY DETECTION 论文精读

首先，我们有一个惊人的发现：标准的仅基于颜色的方法，在性能上超过了所有当前专为利用三维信息而设计的方法。这看似有悖直觉，因为即便对该数据集进行简单检查，也会发现仅基于颜色的方法，难以处理包含几何异常的图像。这就引出了一个问题：异常检测方法如何才能有效利用三维信息？我们研究了一系列形状表示方法，包括手工设计的和基于深度学习的，发现旋转不变性对性能起着主导作用。我们发现了一种简单的仅基于三维的方法，在不使用深度学习、外部预训练数据集或颜色信息的情况下，胜过所有近期的方法。BTF

2025-06-11 21:20:56 1218

原创 Look Inside for More: Internal Spatial Modality Perception for 3D Anomaly Detection 论文精读

具体而言，我们提出的ISMP包含一个关键的感知模块 —— Proposal Insight Engine（SIE），它可将点云的复杂内部信息抽象为关键全局特征。此外，为了更好地使结构信息与点云数据对齐，我们提出一种增强的关键点特征提取模块，用于放大空间特征表示。同时，融入一种新颖的特征过滤模块，以减少噪声和冗余特征，从而进一步对齐精确的空间结构。

2025-06-10 00:21:59 828

原创 Look Inside for More: Internal Spatial Modality Perception for 3D Anomaly Detection 代码块后续慢慢补

ISMP的核心四个视角特征图的一部分后面会补全部的

2025-06-09 22:49:44 246

原创 CVPR 2025 所有名字里带3D的论文：1-374 （存档，后续整理）

ArcPro：稀疏点结构化3D抽象的建筑程序（从激光雷达稀疏点云生成建筑结构的参数化模型）

2025-06-06 22:37:08 5499

原创 Multi-Sensor Object Anomaly Detection:Unifying Appearance, Geometry, and Internal Properties 论文精读

工业质量检测中，目标异常检测至关重要，但传统单传感器方法因受限于外观、几何结构或内部属性检测，存在关键局限。为克服挑战，本文引入MulSen - AD数据集，它整合RGB相机、激光扫描仪和锁相红外热成像数据，覆盖15种工业产品及多样真实异常，还提出MulSen - AD Bench基准与MulSen - TripleAD决策级融合算法。实验表明，多传感器融合大幅优于单传感器，目标级检测AUROC达96.1% ，凸显多传感器数据整合对工业异常检测的重要性，数据集和代码可在指定GitHub获取。

2025-06-06 20:16:39 1145

原创 Real-IAD D³: A Real-World 2D/Pseudo-3D/3D Dataset for Industrial Anomaly Detection 论文精读

为应对这些挑战，我们引入了真实工业异常检测数据集D³，这是一个高精度的多模态数据集。它独特地纳入了通过光度立体技术生成的额外伪三维模态，同时包含高分辨率RGB图像和微米级三维点云。真实工业异常检测数据集D³在20个类别中呈现出更细微的缺陷、多样的异常情况以及更大的规模，为多模态工业异常检测提供了具有挑战性的基准。

2025-06-04 23:18:07 1983

原创 Attention Is All You Need 论文精读

主流的序列转导模型基于复杂的递归或卷积神经网络，包括编码器和解码器。性能最好的模型还通过注意力机制连接编码器和解码器。我们提出了一种全新且简单的网络架构——Transformer，它完全基于注意力机制，彻底摒弃了循环和卷积。在两项机器翻译任务上的实验表明，这些模型在质量上更胜一筹，同时具备出色的并行性，训练耗时也大幅减少。在WMT 2014 英德翻译任务中，我们的模型达到了28.4的BLEU值，超越了包括集成模型在内的现有最优结果，BLEU值提高了2个点。

2025-05-29 17:26:57 1176

原创 Masked Autoencoders for Point Cloud Self-supervised Learning 论文精读

本文提出了一种简洁高效的点云自监督学习掩码自编码器方案Point-MAE。该方法通过将输入点云划分为不规则点块并进行高比例随机掩码，基于标准Transformer构建非对称自编码器（编码器仅处理未掩码点块，轻量级解码器重建掩码部分），有效解决了点云掩码自编码中的关键挑战：骨干网络架构统一问题、位置信息过早泄露问题以及信息密度不均匀问题。实验表明，Point-MAE在ScanObjectNN和ModelNet40上分别达到85.18%和94.04%的分类准确率，超越所有自监督学习方法，甚至优于专门设计的监督学

2025-05-27 21:56:35 1656

原创 Towards High-resolution 3D Anomaly Detection via Group-Level Feature Contrastive Learning 论文精读

本文提出了一种基于组级特征对比学习的高分辨率三维异常检测方法Group3AD。针对高分辨率点云异常检测面临的三大挑战：数据量大导致信息捕捉困难、特征表示各向异性以及异常区域比例小难以刻画，本文设计了簇间一致性网络(IUN)和簇内对齐网络(IAN)来优化特征空间分布，并提出基于几何信息的自适应组中心选择(AGCS)方法提升异常区域检测敏感性。实验表明，Group3AD在Real3D-AD数据集上对象级AUROC指标比Reg3D-AD提高5%，有效提升了高分辨率三维异常检测的性能。该方法可直接应用于各种网络架构

2025-05-26 17:11:34 1141

原创 PO3AD: Predicting Point Offsets toward Better 3D Point Cloud Anomaly Detection 论文精读

本文提出了一种新颖的PO3AD框架，用于三维点云异常检测。该方法通过预测伪异常样本中的点偏移量，使模型能够专注于信息丰富的伪异常区域，从而更有效地学习正常数据表示。与现有基于重建的方法不同，PO3AD仅需估计正常点的偏移量大小，同时预测伪异常点的偏移量大小和方向，避免了对正常点和伪异常点赋予相同权重导致的问题。此外，作者设计了一种法向量引导的异常模拟方法Norm-AS，用于生成更真实的伪异常样本。在Anomaly-ShapeNet和Real3D-AD数据集上的实验表明，PO3AD显著优于现有方法，检测AUC

2025-05-25 17:19:18 1033

空空如也

空空如也