AnomalyShapeNet

新的TopoTTA方法通过拓扑数据分析增强异常分割

研究人员开发了TopoTTA，一个将拓扑数据分析集成到异常分割的测试时自适应中的新框架。该方法使用持久同调来推导出鲁棒的拓扑伪标签，指导分类器在不重新训练骨干模型的情况下提高分割质量。TopoTTA保留了几何和结构一致性，可推广到2D和3D模态，并在六个标准基准测试中平均F1分数比现有方法提高了15%，尤其在具有复杂几何或结构变化的异常方面表现出色。