开放集监督 3D 异常检测：工业数据集与用于未知缺陷的通用框架
计算机视觉与模式识别
2026-04-02 v1
摘要
虽然自监督 3D 异常检测假设获取高精度点云计算量较大，但在实际制造场景中往往可行收集有限数量的异常样本。因此，我们研究开放集监督 3D 异常检测，该方法仅使用正常样本和少量已知异常样本进行训练，以在测试时识别未知异常。我们提出了 Open-Industry 数据集，包含 15 个类别，每个类别从生产线收集五种真实异常类型。首先，我们调整通用的开放集异常检测方法以更好适配 3D 点云输入。基于此，我们提出 Open3D-AD 方法，利用正常样本、模拟异常和部分观测到的真实异常来建模正常数据和异常数据的概率密度分布。随后，我们引入简单的对应分布抽样以减少正常分布与非正常分布之间的重叠，从而实现更强的双分布建模。基于这些贡献，我们建立了综合基准，广泛在 Open-Industry 以及既定数据集（包括 Real3D-AD 和 Anomaly-ShapeNet）上进行评估。基准结果和消融实验表明，Open3D-AD 的有效性，进一步揭示了开放集监督 3D 异常检测的潜力。
引用
@article{arxiv.2604.01171,
title = {Open-Set Supervised 3D Anomaly Detection: An Industrial Dataset and a Generalisable Framework for Unknown Defects},
author = {Hanzhe Liang and Luocheng Zhang and Junyang Xia and HanLiang Zhou and Bingyang Guo and Yingxi Xie and Can Gao and Ruiyun Yu and Jinbao Wang and Pan Li},
journal= {arXiv preprint arXiv:2604.01171},
year = {2026}
}
备注
Resources: https://github.com/hzzzzzhappy/open-industry