Chu Y M, Chieh L, Hsieh T I, et al. Shape-Guided Dual-Memory Learning for 3D Anomaly Detection[J]. 2023.（为毛paperwithcode上面曾经的榜一引用却只有1）

摘要

专家学习
无监督
第一个专家：局部几何，距离建模
第二个专家：2DRGB，局部颜色外观

引言

虽然在大多数情况下，颜色信息通常足以定位异常，但也已经表明，当充分使用3D几何信息时，有利于实现更好的性能（Horwitz&Hoshen，2022）

（关于PRO这个指标，我的理解是相比起交并比，PRO是直接计算预测比上真实，作为重叠率，然后类似auc那样计算各个阈值下的情况得到曲线再计算面积）

方法

根据相关工作中的观点，重点提取点云中的旋转不变特征，隐式表示，通过符号距离函数对找到粒度的 3D 局部结构进行建模
以及颜色外观和几何坐标的双专家聚合

3D

重点是局部几何来考察3D信息，一是因为异常只在局部，二是因为局部点云信息可扩展（？）

用PointNet (Qi et al., 2017) 和神经隐函数 (NIF) (Ma et al., 2022)，用于点云应用以探索 3D 形状信息。具体来说，我们首先将一个完整的点云划分为3D块并进行局部表示学习。对于每个生成的补丁，我们对 500 个点进行采样并应用 PointNet 来获得其特征向量（这和之前研究3d数据的体素方法有啥区别）

区别于传统的3D数据体素化方法，这种做法不是将3D数据转换为固定的网格结构，而是直接在点云上操作，保持了数据的原始形式和丰富的几何细节。体素化通常涉及将连续的几何空间离散化为固定分辨率的网格，这可能会导致几何信息的损失。而PointNet和NIF允许从原始点云直接学习，可以更好地捕捉细节和局部结构，这对于异常检测特别重要，因为异常通常是通过细微的局部变化来识别的。（类似图神经网络吗）

2D

（我的理解就是拿点云中“拓扑化的体素”单元与2d图像中的像素patch块做特征对齐，然后类似一种双模态的融合）

（听说这个memory bank最近在异常检测等领域很火，但我的理解这不就是一个空间换时间的内存特征数据库嘛，随时提供正常特征作为模板来检索比对。而且还和模型一起保存下来？融入作为模型的一部分？不然推理时怎么比对嘛，那么这样的话感觉领域针对性好强，也太不够通用了吧）

实验

点云的分块甚至是预处理之间的，PointNet和NIF模型这两个冻结的玩意也是这里用patch训练的，所以有选型实验（但是这就有点那啥）

感觉有点怪，怪不得引用量不高？赶紧再看看代码