打破刚性先验：面向可关节的3D异常检测
计算机视觉与模式识别
2026-04-30 v1
摘要
现有的3D异常检测方法建立在刚性先验之上：正常几何形状是姿态不变的，可通过配准或对齐进行标准化。这种先验对具有铰链或滑动关节的可关节物体不成立，在这些物体中，有效的姿态变化会引起结构化的几何变异，无法压缩到单个标准模板中，导致姿态诱导的变形被误判为异常，而真实的结构缺陷则被掩盖。目前没有基准数据集解决这一挑战。我们引入ArtiAD，这是第一个大规模的可关节3D异常检测基准，包含15,229个点云，覆盖39类物体，具有密集的关节角度变化和六种结构异常类型。每个样本都标注了其关节配置和部件级运动标签，使能够显式地 disentangle（解耦）姿态诱导的几何变形与结构缺陷。ArtiAD还提供了seen/unseen关节分割，以评估对新关节配置的插值和外推。我们提出了Shape-Pose-Aware Signed Distance Field (SPA-SDF)，这是一种基线方法，通过连续姿态条件隐式场取代刚性先验，将其分解为关节无关的结构先验和傅里叶编码的关节嵌入。在推断时，通过最小化重建能量来恢复关节状态，异常被识别为从所学流形上进行的点-wise偏差。SPA-SDF在seen配置上实现了0.884的对象级AUROC，在unseen配置上实现了0.874，显著优于所有基于刚性的基线方法。我们的代码和基准将对外公开，以促进未来研究。
引用
@article{arxiv.2604.26868,
title = {Breaking the Rigid Prior: Towards Articulated 3D Anomaly Detection},
author = {Jinye Gan and Bozhong Zheng and Xiaohao Xu and Junye Ren and Zixuan Zhang and Na Ni and Yingna Wu},
journal= {arXiv preprint arXiv:2604.26868},
year = {2026}
}