GS-CLIP：基于几何感知提示和协同视图表示学习的零样本 3D 异常检测
计算机视觉与模式识别
2026-05-27 v3
摘要
零样本 3D 异常检测是一种旨在无需目标训练数据即可检测目标数据集中异常的新兴任务，这在样本稀缺和数据隐私受限的场景中尤为重要。虽然当前方法通过将 3D 点云投影到 2D 表示来适应 CLIP，但面临挑战：投影本质上会丢失部分几何细节，单一 2D 模态的依赖导致视觉理解不完整，限制了其检测多样化异常类型的能力。为此，我们提出了几何感知提示和协同视图表示学习（GS-CLIP）框架，通过两个阶段的学习过程使模型能够通过几何异常进行识别。在阶段 1，我们动态生成嵌入 3D 几何先验的文本提示，这些提示包含由几何缺陷蒸馏模块（GDDM）提炼的全局形状语境和局部缺陷信息。在阶段 2，我们引入协同视图表示学习架构并行处理渲染图像和深度图像。随后，协同细化模块（SRM）融合两者的特征，充分利用其互补优势。在四个大型公开数据集上的全面实验表明，GS-CLIP 在检测任务中取得了优异的性能。代码可在 https://github.com/zhushengxinyue/GS-CLIP 查阅。
关键词
引用
@article{arxiv.2602.19206,
title = {GS-CLIP: Zero-shot 3D Anomaly Detection by Geometry-Aware Prompt and Synergistic View Representation Learning},
author = {Zehao Deng and An Liu and Yan Wang},
journal= {arXiv preprint arXiv:2602.19206},
year = {2026}
}
备注
Accepted by CVPR 2026