C3D-AD：通过可学习顾问的核注意力实现持续三维异常检测

3D 异常检测（AD）在检测高精度工业产品的异常或缺陷方面显示出巨大潜力。然而，现有方法通常以类别特定的方式进行训练，并且缺乏从新兴类别中学习的能力。在本研究中，我们提出了一种名为持续 3D 异常检测（C3D-AD）的持续学习框架，该框架不仅可以为多类别点云学习泛化表示，还可以处理随时间出现的新类别。具体来说，在特征提取模块中，为了有效地从不同任务的多种产品类型中提取泛化局部特征，引入了带有随机特征层（KAL）的核注意力，它对特征空间进行了归一化。然后，为了正确且持续地重建数据，提出了一种高效的带有可学习顾问（KAA）机制的核注意力，该机制在编码器和解码器中学习来自新类别的信息，同时丢弃冗余的旧信息。最后，为了保持跨任务的表示一致性，通过设计一种表示重放损失函数，提出了一个带有参数扰动（RPP）的重建模块，该模块确保模型记住以前的类别信息并返回类别自适应表示。在三个公共数据集上的大量实验证明了所提出方法的有效性，在 Real3D-AD、Anomaly-ShapeNet 和 MulSen-AD 上分别实现了 66.4%、83.1% 和 63.4% 的平均 AUROC 性能。