Real-IAD-MVN：面向高保真工业异常检测的多视图法线向量数据集与基准
计算机视觉与模式识别
2026-05-11 v1
摘要
工业异常检测（Industrial Anomaly Detection, IAD）是质量控制的关键任务，但现有方法在检测细微几何缺陷方面困难。标准二维（RGB）图像对纹理和光照敏感，但常常忽略细微的几何异常。虽然三维点云捕获宏观形状，但通常稀疏，难以检测如划痕或凹陷等微小缺陷。为解决这一根本数据限制问题，本文引入Real-IAD-MVN（Multi-View Normal），一个大型工业数据集。通过升级采集系统，Real-IAD-MVN从五个不同视角捕获高保真表面法线图，完全取代稀疏的三维数据。这提供了在微细尺度上的全面几何表征，使之前难以检测的侧墙和遮挡缺陷变得可见。我们的实验首先在新数据集上提供证据，证明融合密集的多视图伪三维（表面法线）数据可显著优于使用稀疏三维点云数据进行检测。为进一步验证数据集并提供强有力的基准，我们引入一种基于重建的方法，学习从图像和法线图流中提取跨模态统一原型。我们展示，这一统一原型方法超越了现有最先进的多模态融合方法，凸显了该新数据集在推动几何异常检测方面的巨大潜力。
引用
@article{arxiv.2605.07149,
title = {Real-IAD MVN: A Multi-View Normal Vector Dataset and Benchmark for High-Fidelity Industrial Anomaly Detection},
author = {Wenbing Zhu and Jianing Liang and Linjie Cheng and Yurui Pan and Zhuhao Chen and Qingwang Yan and Yudong Cheng and Jianghui Zhang and Mingmin Chi and Bo Peng},
journal= {arXiv preprint arXiv:2605.07149},
year = {2026}
}
备注
Accepted to CVPR 2025. 15 pages