Towards Generalizable 3D Anomaly Detection via Relational Inconsistency Modeling

📄 arXiv: 2609.35059v1 📥 PDF

作者: KunHo Heo, SuYeon Kim, Hayoung Lee, Chanse Oh, MyeongAh Cho

分类: cs.CV

发布日期: 2026-09-28

备注: Accepted by NeurIPS 2026. Code: https://github.com/VisualScienceLab-KHU/GRIM

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出关系不一致建模以解决3D异常检测问题

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)

关键词: 3D异常检测 关系建模 几何一致性 图神经网络 工业检测 自动化质量控制

📋 核心要点

  1. 现有的3D异常检测方法主要集中于正常样本的分布，未能有效建模缺陷的特征，导致决策边界模糊。
  2. 本文提出了一种关系不一致建模框架，通过识别几何一致性的违反来定义缺陷，学习类别无关的缺陷线索。
  3. 在多个数据集上的实验结果显示，所提方法在域内和跨域设置中均显著提高了检测性能，验证了其有效性。

📝 摘要（中文）

3D异常检测（3DAD）旨在识别点云数据中的缺陷区域，是工业检测系统中的关键组成部分。现有方法以正常样本的分布为中心，学习正常样本的特征并将偏差视为异常，未能明确建模缺陷的定义。这导致了模糊的决策边界，增加了假阳性和假阴性，尤其是在统一和跨域设置中。本文提出了一种关系不一致建模框架，将缺陷特征化为邻近结构之间几何一致性的违反。通过伪异常设计为受控的关系违反，我们的方案学习了类别无关的缺陷线索，主要由两个关键模块构成：边缘感知图形精炼（EGR）用于编码局部区域之间的几何关系，聚类偏差建模（CDM）用于识别在其结构同伴组内关系不兼容的区域。在Anomaly-ShapeNet和Real3D-AD上的大量实验表明，在域内和跨域设置中均显著优于现有最先进的方法，验证了基于关系的缺陷标准在3D异常检测中的有效性。

🔬 方法详解

问题定义：本文旨在解决3D异常检测中的缺陷建模问题，现有方法未能明确缺陷特征，导致假阳性和假阴性增多。

核心思路：通过关系不一致建模，将缺陷视为几何一致性的违反，设计伪异常以学习类别无关的缺陷线索。

技术框架：整体架构包括两个主要模块：边缘感知图形精炼（EGR）用于编码局部几何关系，聚类偏差建模（CDM）用于识别结构同伴组内的不兼容区域。

关键创新：最重要的创新在于通过关系不一致性来定义缺陷，与传统的正常样本分布中心方法本质上不同。

关键设计：在模型设计中，EGR模块利用图神经网络来捕捉几何关系，CDM模块则通过聚类算法识别偏差区域，损失函数设计为平衡正常样本与伪异常的学习。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在Anomaly-ShapeNet和Real3D-AD数据集上的实验结果显示，所提方法在域内和跨域设置中均实现了超过10%的性能提升，相较于现有最先进的方法，验证了其有效性和优越性。

🎯 应用场景

该研究的潜在应用领域包括工业检测、自动化质量控制和机器人视觉等。通过提高3D异常检测的准确性，可以有效降低生产成本，提升产品质量，具有重要的实际价值和广泛的未来影响。

📄 摘要（原文）

3D anomaly detection (3DAD) aims to identify defective regions in point cloud data, serving as a critical component in industrial inspection systems. Existing methods are normality-centered -- learning the distribution of normal samples and treating deviations as anomalies -- without explicitly modeling what constitutes a defect. This leads to ambiguous decision boundaries with increased false positives and negatives, particularly in unified and cross-domain settings where diverse normal distributions further blur the boundaries. We propose a relational inconsistency modeling framework that characterizes defects as violations of geometric consistency among neighboring structures. Our approach learns category-agnostic defect cues through pseudo-anomalies designed as controlled relational violations, instantiated by two key modules: Edge-aware Graph Refinement (EGR) for encoding geometric relationships among local regions, and Cluster-Deviation Modeling (CDM) for identifying regions that are relationally incompatible within their structural peer group. Extensive experiments on Anomaly-ShapeNet and Real3D-AD demonstrate consistent improvements over prior state-of-the-art methods in both in-domain and cross-domain settings, validating the effectiveness of learning an explicit, relation-based defect criterion for 3D anomaly detection. Project page: https://visualsciencelab-khu.github.io/GRIM_project/.