近年、3Dセンシング技術は製造業の品質保証やプロセス制御において不可欠なものとなっています。しかし、リソースに制約のあるエッジデバイス上で高度な3D異常検知モデルを動作させることは依然として大きな課題です。既存の再構成ベースの手法は計算負荷が高く、拡散モデルは反復的なノイズ除去がボトルネックとなり、リアルタイム性が求められる用途には適していませんでした。
この問題を解決するため、インドとドイツの研究チームは、整合性モデル（Consistency Models）を活用した新しい3D点群異常検知手法を提案しました。この手法は、異常検知を整合性学習として再定式化し、1～2回のネットワーク評価で正常な幾何形状を直接予測できるようにしたものです。さらに、クリーンデータへの再構成を強制する新しいハイブリッド損失関数を導入することで、学習を効果的に誘導します。
実験により、提案手法はGPUアクセラレーションを必要とせず、既存の最先端手法と比較して最大80倍の推論速度を達成しながら、高い検出性能を維持することが示されました。具体的には、Anomaly-ShapeNetデータセットでI-AUROC 76.20%、Real3DADデータセットで72.80%を達成し、競争力のある結果を示しています。
これにより、ドローンやスマート産業カメラといった計算リソースが限られたエッジデバイス上でも、低レイテンシかつ効率的な異常検知が可能となります。本研究成果は、2026年のCVPRワークショップ「Efficient Deep Learning for Computer Vision」に採択され、IEEE/CVF CVPR 2026ワークショップ論文集に掲載される予定です。著者はPranav A氏、Shashank B氏、Pranav Siddappa氏、Dominik Seuss氏、Minal Moharir氏、Subramanya KN氏の6名です。