PointAD+：学习层次化表示以实现零样本3D异常检测
计算机视觉与模式识别
2025-11-25 v5
摘要
本文旨在将CLIP强大的2D泛化能力迁移，以识别具有高度多样化类别语义的未见物体中的3D异常。为此，我们提出一个统一框架，通过同时利用点级和像素级信息来全面检测和分割3D异常。我们首先设计了PointAD，它利用点-像素对应关系通过关联的渲染像素表示来表征3D异常。该方法被称为隐式3D表示，因为它仅关注渲染像素异常而忽略了点云中的固有空间关系。随后，我们提出PointAD+，通过引入显式3D表示进一步拓展对3D异常的理解，强调空间异常以揭示异常的空间关系。因此，我们提出G-aggregation，将几何信息融入其中，使聚合后的点表示具有空间感知能力。为同时捕获渲染异常和空间异常，PointAD+提出层次化表示学习，将隐式和显式异常语义融入层次化文本提示中：渲染层使用渲染提示，几何层使用几何提示。进一步引入跨层次对比对齐，以促进渲染层与几何层之间的交互，实现相互异常学习。最终，PointAD+融合两层的异常语义以捕获泛化的异常语义。在测试阶段，PointAD+可以以即插即用方式集成RGB信息，并进一步提升检测性能。大量实验证明了PointAD+在具有高度多样化类别语义的未见物体上的零样本3D异常检测中的优越性，实现了对异常的全面理解。
引用
@article{arxiv.2509.03277,
title = {PointAD+: Learning Hierarchical Representations for Zero-shot 3D Anomaly Detection},
author = {Qihang Zhou and Shibo He and Jiangtao Yan and Wenchao Meng and Jiming Chen},
journal= {arXiv preprint arXiv:2509.03277},
year = {2025}
}
备注
Submitted to TPAMI