PointAD：用于零样态3D异常检测从点和像素中理解3D异常

零样态（ZS）3D异常检测是一个至今未被充分探索的关键领域，旨在解决由于隐私保护等实际原因，目标3D训练样本不可用的场景。本文引入PointAD，一种新颖方法，利用CLIP在未见对象上识别3D异常的强大泛化能力。PointAD提供了一个统一框架来理解来自点和像素的3D异常。在该框架中，PointAD将3D异常渲染为多个2D视图，并将其投影回3D空间。为捕获通用异常语义，本文提出了混合表示学习，通过辅助点云优化联合的3D和2D文本提示。点和像素表示之间的协作优化有助于我们的模型把握底层3D异常模式，促进对未见异构3D对象的异常检测与分割。通过3D和2D空间的对齐，模型可直接集成RGB信息，进一步以即插即用的方式增强对3D异常的理解。大量实验表明，PointAD在零样态3D异常检测中优于现有方法，能够处理多种未见对象。