PiCo：面向稳健机器人视觉异常检测的主动流形标准化
计算机视觉与模式识别
2026-03-25 v1
摘要
机器人视觉异常检测（visual anomaly detection, VAD）的工业化部署受限于多样化的 6 自由度姿态配置和不稳定的运行条件，如照明变化和阴影，其中本质异常与物理扰动相互共存并相互作用。为克服这些限制，本文提出了从被动特征学习向主动标准化（Active Canonicalization）的范式转变。引入 PiCo（Pose-in-Condition Canonicalization），作为一个统一框架，主动将观察投射到条件不变的标准化流形上。PiCo 通过级联机制运行。第一阶段是主动物理标准化，使机器人智能体能够重新定位物体，以减少其源头的几何不确定性。第二阶段是神经潜在标准化，采用由三级去噪层级组成的结构：输入层的光谱处理、特征层的潜在细化以及语义层的情境推理，逐步在不同表示尺度上消除琐碎因素。广泛的评估在大型 M2AD 数据集上进行，证明了该范式的优越性。PiCo 在静态场景下实现了最高的 93.7% O-AUROC，较先前方法提升了 3.7%，在主动闭环场景中达到了 98.5% 的准确率。这些结果表明，主动流形标准化对稳健的具身感知至关重要。
引用
@article{arxiv.2603.23122,
title = {PiCo: Active Manifold Canonicalization for Robust Robotic Visual Anomaly Detection},
author = {Teng Yan and Binkai Liu and Shuai Liu and Yue Yu and Bingzhuo Zhong},
journal= {arXiv preprint arXiv:2603.23122},
year = {2026}
}
备注
16 pages. Submitted to the European Conference on Computer Vision (ECCV) 2026