仅需两步：基于一致性模型的高效3D点云异常检测
计算机视觉与模式识别
2026-05-08 v1 人工智能
摘要
扩散模型正在快速重新定义3D点云数据中的异常检测。随着3D感知成为现代制造业的核心，可靠的异常检测对于高吞吴量的质量保证和过程控制至关重要。然而，在资源受限、延迟关键的系统上进行实际部署仍有限。现有方法往往计算昂贵，或在复杂、未标记区域不可靠，扩散管道本质上受制于迭代去噪。本文通过一致性学习重新构建基于重构的异常检测，使我们能够在一次或两次网络评估中直接预测无异常几何。这进一步引入了一种新颖的混合损失函数，显式强制重构趋向干净数据。这种设计大幅减少推理成本，在无GPU加速的情况下，比当前最先进的方法快最高可达80倍，同时保持强大的检测性能。在Anomaly-ShapeNet上 outperform R3D-AD，实现76.20% I-AUROC，在Real3DAD上保持竞争的72.80% I-AUROC，使其能够在资源受限的平台（包括无人机、智能工业相机和其他边缘设备）上实现高效、低延迟的异常检测。
引用
@article{arxiv.2605.05372,
title = {Two Steps Are All You Need: Efficient 3D Point Cloud Anomaly Detection with Consistency Models},
author = {Pranav A and Shashank B and Pranav Siddappa and Dominik Seuss and Minal Moharir and Subramanya KN},
journal= {arXiv preprint arXiv:2605.05372},
year = {2026}
}
备注
Accepted to CVPR 2026, at the 9th Workshop on Efficient Deep Learning for Computer Vision (ECV). To be published in the IEEE/CVF CVPR 2026 Workshop Proceedings