MCL-AD：用于零样本 3D 异常检测的多模态协作学习
计算机视觉与模式识别
2025-09-15 v1 机器学习
摘要
零样本 3D（ZS-3D）异常检测旨在不依赖标注训练数据的情况下识别 3D 物体中的缺陷，这在受限于数据稀缺、隐私或高标注成本的场景中尤为有价值。然而，大多数现有方法仅关注点云，忽略了来自互补模态（如 RGB 图像和文本先验）的丰富语义线索。本文提出了 MCL-AD，一种新颖的框架，利用跨点云、RGB 图像和文本语义的多模态协作学习来实现卓越的零样本 3D 异常检测。具体而言，我们提出了一种多模态提示学习机制（MPLM），通过引入与物体无关的解耦文本提示和多模态对比损失，增强模态内表示能力和模态间协作学习。此外，提出了一种协作调制机制（CMM），通过联合调制 RGB 图像引导和点云引导的分支，充分利用点云和 RGB 图像的互补表示。大量实验表明，所提出的 MCL-AD 框架在 ZS-3D 异常检测中实现了 SOTA 性能。
关键词
引用
@article{arxiv.2509.10282,
title = {MCL-AD: Multimodal Collaboration Learning for Zero-Shot 3D Anomaly Detection},
author = {Gang Li and Tianjiao Chen and Mingle Zhou and Min Li and Delong Han and Jin Wan},
journal= {arXiv preprint arXiv:2509.10282},
year = {2025}
}
备注
Page 14, 5 pictures