通过层次调制恢复物理生成逻辑：面向多模态异常检测的 Physic-HM
机器学习
2026-01-21 v2
摘要
多模态无监督异常检测 (UAD) 对智能制造中的质量控制至关重要，尤其是机器人焊接等复杂工艺。然而，现有方法常常存在工艺逻辑盲区，将工艺模态（如实时视频、音频和传感器数据）和结果模态（如焊后图像）视为对称的特征来源，从而忽略了其固有的单向物理生成逻辑。此外，高维视觉数据与低维传感器信号之间的异构性差距常常导致关键工艺上下文被淹没。在本文中，我们提出了 Physic-HM，一种多模态 UAD 框架，显式地纳入物理先验，以建模工艺到结果的依赖关系。具体而言，我们框架包含两项关键创新：一种传感器引导的 PHM 调制机制，用于利用低维传感器信号作为上下文来指导高维音视频特征提取；以及一种物理层次结构，用于强制执行单向生成映射，以识别违反物理一致性的异常。大量实验表明，Physic-HM 在 Weld-4M 基准上实现了 90.7% 的 SOTA I-AUROC。Physic-HM 的源代码将在论文接受后公开。
引用
@article{arxiv.2512.21650,
title = {Physic-HM: Restoring Physical Generative Logic in Multimodal Anomaly Detection via Hierarchical Modulation},
author = {Xiao Liu and Junchen Jin and Yanjie Zhao and Zhixuan Xing},
journal= {arXiv preprint arXiv:2512.21650},
year = {2026}
}
备注
Working in progress