在制造質(zhì)檢、機(jī)器人抓取與3D打印等場(chǎng)景中，3D點(diǎn)云的異常檢測(cè)日益關(guān)鍵，但實(shí)際應(yīng)用卻常遭遇兩大難題：

一是物體姿態(tài)隨機(jī)、形變細(xì)微，傳統(tǒng)離散化表示（體素、點(diǎn)云、視角投影）容易丟失幾何細(xì)節(jié)；

二是檢測(cè)之后如何修復(fù)缺陷，業(yè)界缺少能直接生成高保真「正常模板」的方法。

為突破這兩道關(guān)卡，上海科技大學(xué)與密歇根大學(xué)聯(lián)合團(tuán)隊(duì)提出Pose-Aware Signed Distance Function（PASDF）框架，通過顯式姿態(tài)對(duì)齊與連續(xù)的SDF形狀表示，實(shí)現(xiàn)「檢測(cè)—定位—修復(fù)」的一體化閉環(huán)。

論文地址：https://arxiv.org/abs/2505.24431

代碼地址：https://github.com/ZZZBBBZZZ/PASDF

PASDF在Real3D-AD與Anomaly-ShapeNet兩大基準(zhǔn)上取得了Object-level AUROC分別為80.2%與90.0%的最新成績(jī)，并在點(diǎn)級(jí)定位、可視化修復(fù)方面表現(xiàn)突出。

研究背景與動(dòng)機(jī)

圖1 （a）主流離散化點(diǎn)云表征方法與連續(xù)表征方法的對(duì)比（b）PASDF對(duì)異常部位的定位與修復(fù)

在3D點(diǎn)云異常檢測(cè)中，主流方法多依賴離散化表示（體素、點(diǎn)或視角投影），雖具計(jì)算效率，卻不可避免地犧牲細(xì)粒度幾何并引入量化失真（圖1）：

體素受分辨率與立方級(jí)內(nèi)存約束，難以顯式區(qū)分輕微的曲面翹曲和尺寸偏差；點(diǎn)云因稀疏采樣導(dǎo)致密度不均與表面覆蓋不完整；

投影在遮擋與視角變化下信息丟失、畸變明顯。再疊加工業(yè)現(xiàn)場(chǎng)中物體姿態(tài)的隨機(jī)性，模型難以在對(duì)象級(jí)穩(wěn)健定位細(xì)微異常。

更關(guān)鍵的是，真實(shí)應(yīng)用（如3D打印與先進(jìn)制造）不僅需要「發(fā)現(xiàn)缺陷」，還要「在位修復(fù)」，這要求方法能輸出連續(xù)、高保真的正常幾何模板。

傳統(tǒng)基于記憶庫(kù)的檢測(cè)依賴間接特征映射，缺乏顯式形狀重建，難以直接指導(dǎo)修復(fù)；而現(xiàn)有重建式方法雖嘗試恢復(fù)異常點(diǎn)云，但受限于離散點(diǎn)表示，難以生成連續(xù)、細(xì)節(jié)完備的修復(fù)模板。

基于上述痛點(diǎn)，迫切需要一種既能在不依賴離散化的前提下兼顧全局形狀與細(xì)節(jié)保真、又對(duì)姿態(tài)變化魯棒、并將「檢測(cè)與修復(fù)」統(tǒng)一起來的新范式。

為此，研究人員以連續(xù)的帶符號(hào)距離場(chǎng)（SDF）進(jìn)行形狀表征，并通過規(guī)范姿態(tài)對(duì)齊將姿態(tài)與形狀顯式解耦，使模型聚焦于內(nèi)在幾何差異，從機(jī)制上同時(shí)滿足對(duì)象級(jí)精準(zhǔn)檢測(cè)與可用修復(fù)模板生成的雙重需求。

方法介紹

圖2 PASDF模型框架圖

位姿感知對(duì)齊模塊（PAM）

點(diǎn)云數(shù)據(jù)因傳感器位置或?qū)ο髷[放的不同，存在多樣的姿態(tài)變化。

為解決這一問題，研究團(tuán)隊(duì)設(shè)計(jì)了Pose-wise Alignment模塊，該模塊首先利用體素采樣和FPFH特征提取完成全局粗對(duì)齊，并借助RANSAC算法篩選可信對(duì)應(yīng)點(diǎn)對(duì)。

隨后，通過迭代最近點(diǎn)（ICP）算法精細(xì)調(diào)整位姿，結(jié)合動(dòng)態(tài)Chamfer距離反饋機(jī)制，有效避免局部最優(yōu)陷阱，獲得穩(wěn)定且精準(zhǔn)的點(diǎn)云姿態(tài)標(biāo)準(zhǔn)化。此舉最大限度消除了姿態(tài)變化干擾，保障后續(xù)形狀學(xué)習(xí)聚焦于物體本身的內(nèi)在結(jié)構(gòu)差異。

隱式符號(hào)距離網(wǎng)絡(luò)：構(gòu)建連續(xù)的形狀表達(dá)

緊接著，姿態(tài)歸一化后的點(diǎn)云被用于學(xué)習(xí)隱式形狀表達(dá)。

SDF網(wǎng)絡(luò)模型，將三維坐標(biāo)x映射為點(diǎn)到物體表面的有符號(hào)距離，結(jié)合正弦位置編碼函數(shù)γ(x)，預(yù)測(cè)距離值：

訓(xùn)練目標(biāo)為最小化截?cái)郘1損失：

其中為通過最近鄰距離計(jì)算得到的真實(shí)有符號(hào)距離，為截?cái)嚅撝?。此策略保障模型?duì)細(xì)節(jié)和邊界的敏感度，且容忍部分?jǐn)?shù)據(jù)噪音。

異常檢測(cè)與自動(dòng)修復(fù)

評(píng)估階段，針對(duì)輸入點(diǎn)云，先經(jīng)Pose-wise Alignment處理得，再由訓(xùn)練好的SDF網(wǎng)絡(luò)輸出點(diǎn)級(jí)異常分?jǐn)?shù)：

通過選取異常分?jǐn)?shù)Top-K個(gè)點(diǎn)計(jì)算整體異常指標(biāo)：

進(jìn)一步地，利用學(xué)習(xí)到的SDF隱式形狀，配合Marching Cubes算法從零水平集

提取平滑網(wǎng)格，從中采樣生成無異常的重構(gòu)點(diǎn)云，實(shí)現(xiàn)異常點(diǎn)云的自動(dòng)修復(fù)：

實(shí)驗(yàn)結(jié)果

表1 PASDF與主流點(diǎn)云異常檢測(cè)算法在Real3D-AD數(shù)據(jù)集上的對(duì)比

表2 PASDF與主流點(diǎn)云異常檢測(cè)算法在Anomaly-ShapeNet數(shù)據(jù)集上O-AUROC指標(biāo)的對(duì)比

表3 PASDF與主流點(diǎn)云異常檢測(cè)算法在Anomaly-ShapeNet數(shù)據(jù)集上P-AUROC指標(biāo)的對(duì)比

實(shí)驗(yàn)分別采用真實(shí)高分辨率的Real3D-AD數(shù)據(jù)集和合成的Anomaly-ShapeNet數(shù)據(jù)集進(jìn)行評(píng)估。

如表1所示，PASDF在Real3D-AD測(cè)試中取得了0.802的物體級(jí)AUROC（O-AUROC）平均分，和0.745的點(diǎn)級(jí)AUROC（P-AUROC）平均分，均領(lǐng)先所有對(duì)比方法。

尤其在Seahorse、Shell、Starfish和Toffees等細(xì)節(jié)豐富的類別中，PASDF以其對(duì)復(fù)雜幾何結(jié)構(gòu)的精準(zhǔn)捕捉，顯著優(yōu)于其他方法。

實(shí)驗(yàn)結(jié)果表明，基于全局姿態(tài)對(duì)齊與隱式符號(hào)距離網(wǎng)絡(luò)的PASDF方法更善于發(fā)現(xiàn)細(xì)微異常。

在Anomaly-ShapeNet大規(guī)模多類測(cè)試中（見表2），PASDF取得平均0.900的O-AUROC，且在40個(gè)類別中有37個(gè)位列第一。

對(duì)比之下，其他方法表現(xiàn)起伏明顯，例如IMRNet在不同類別間性能波動(dòng)大，最高得分0.774，最低0.401，顯示出穩(wěn)定性不足。PASDF的均衡表現(xiàn)顯示其強(qiáng)大的泛用性和魯棒性。

消融實(shí)驗(yàn)

為了深入探索各關(guān)鍵模塊對(duì)3D點(diǎn)云異常檢測(cè)性能的影響，研究團(tuán)隊(duì)開展了系統(tǒng)的消融實(shí)驗(yàn)，驗(yàn)證了Pose-wise Alignment模塊（PAM）及位置編碼等設(shè)計(jì)對(duì)提升模型魯棒性和準(zhǔn)確性的顯著貢獻(xiàn)。

表4 PAM在Anomaly-ShapeNet上提升多種基線模型異常檢測(cè)性能的泛化能力

Pose-wise Alignment模塊顯著提升異常檢測(cè)能力

實(shí)驗(yàn)結(jié)果表明（表4），引入PAM能在多種基線模型中普適地增強(qiáng)異常檢測(cè)效果。

例如，將PAM集成到基于FPFH特征的BTF模型后，物體級(jí)（O-AUROC）和點(diǎn)級(jí)（P-AUROC）準(zhǔn)確率分別提升9.7%和8.8%

其中，PatchCore(FPFH)在PAM輔助下更是獲得了24.6%和28.7%的躍升，充分說明姿態(tài)標(biāo)準(zhǔn)化在減少幾何模糊、強(qiáng)化淺層特征表達(dá)中的關(guān)鍵作用。

即便采用深度學(xué)習(xí)生成的PointMAE特征，PAM依然帶來6.4%和10.4%的優(yōu)化，顯示其對(duì)多種特征表示均具備良好適應(yīng)性。

該統(tǒng)一的幾何標(biāo)準(zhǔn)框架使得模型得以聚焦于物體的內(nèi)在結(jié)構(gòu)特性，而非因姿態(tài)差異造成的干擾。

表5 位置編碼對(duì)修復(fù)任務(wù)的影響

位置編碼提升3D形狀重建及細(xì)粒度異常捕捉能力

通過對(duì)比有無位置編碼的模型，定量指標(biāo)顯示未采用位置編碼時(shí)，模型的Chamfer Distance和Earth Mover’s Distance明顯升高（表5），形狀重建質(zhì)量大幅下降（圖3）。

定性分析也揭示，缺失位置編碼會(huì)帶來諸如「階梯狀」表面?zhèn)斡?，無法恢復(fù)紋理細(xì)節(jié)豐富的結(jié)構(gòu)。

圖3 PASDF重建結(jié)果的定性評(píng)估。前三列來自Real3D-AD數(shù)據(jù)集，后三列來自Anomaly-ShapeNet。w/o PE表示未使用位置編碼的PASDF

圖4 Anomaly-ShapeNet數(shù)據(jù)集上的異常定位定性結(jié)果。

作者簡(jiǎn)介

第一作者鄭博中為上?？萍即髮W(xué)研究生。通訊作者為上?？萍即髮W(xué)制造系統(tǒng)中心倪娜研究員與密歇根大學(xué)安娜堡分校博士候選人徐曉豪。

上?？萍即髮W(xué)制造系統(tǒng)中心（CASE）致力于高端裝備制造與魯棒的工業(yè)視覺異常檢測(cè)研究，研究方向聚焦于多傳感器、3D點(diǎn)云、多視角工業(yè)異常檢測(cè)，以及增材制造3D打印過程中異常檢測(cè)與修復(fù)。