基于几何先验的多模态工业异常检测
计算机视觉与模式识别
2026-03-25 v1
摘要
多模态工业异常检测的目的是检测复杂的几何形状缺陷，如细微的表面变形和不规则的轮廓，这些缺陷在基于2D的方法中难以检测。然而，当前的多模态工业异常检测缺乏有效地利用关键几何信息（如表面法向量和3D形状拓扑）的能力，导致检测精度低下。本文提出一种基于几何先验的异常检测网络（GPAD）。首先，我们提出一种点云专家模型，用于进行细粒度的几何特征提取，采用差分法向量计算来增强提取特征的几何细节并生成几何先验。其次，我们提出一种两阶段融合策略，高效地利用多模态数据的互补性以及3D点的内在几何先验。我们进一步提出基于几何先验的注意力融合和异常区域分割，该方法增强了模型感知几何缺陷的能力。广泛的实验表明，我们的多模态工业异常检测模型在MVTec-3D AD和Eyecandies数据集上在检测精度方面优于当前最先进（SOTA）方法。
引用
@article{arxiv.2603.22757,
title = {Multimodal Industrial Anomaly Detection via Geometric Prior},
author = {Min Li and Jinghui He and Gang Li and Jiachen Li and Jin Wan and Delong Han},
journal= {arXiv preprint arXiv:2603.22757},
year = {2026}
}
备注
Accepted for publication in IEEE Transactions on Circuits and Systems for Video Technology (TCSVT)