GRC-Net: Global Representation Consistency Network for Unsupervised Multimodal Anomaly Detection

📄 arXiv: 2610.09329v1 📥 PDF

作者: Seyoung Jeong, Jong Pil Yun, Sang Jun Lee

分类: cs.CV

发布日期: 2026-10-07

备注: 5 pages, 3 figures, Under Review

💡 一句话要点

提出GRC-Net以解决多模态异常检测中的重建不稳定问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多模态异常检测 全局表示一致性 重建稳定性 自动化质量检测 制造业

📋 核心要点

  1. 现有的多模态异常检测方法主要依赖局部补丁级别的表示，导致重建误差不稳定，尤其是在正常区域。
  2. GRC-Net通过全局注意力机制整合补丁嵌入，确保全局表示一致性，并引入稳定重建模块以提高重建的稳定性。
  3. 在MVTec 3D-AD和Eyecandies数据集上的实验结果显示，GRC-Net在图像和像素级别上均显著优于现有方法。

📝 摘要（中文）

自动化质量检测在制造业中至关重要，尤其是在确保产品可靠性方面。虽然基于图像的方法能够有效捕捉外观相关的缺陷，但在检测结构和几何异常时存在局限性，因此需要结合3D信息的多模态方法。现有方法主要依赖局部补丁级别的表示，导致即使在正常区域也常常出现不稳定的重建误差。为了解决这一问题，本文提出了GRC-Net，通过集成全局注意力的多层感知机（MLP），在补丁嵌入之间强制执行全局表示一致性，并结合稳定的重建模块以提高重建稳定性。实验结果表明，GRC-Net在MVTec 3D-AD和Eyecandies数据集上在图像和像素级别上均优于现有方法。

🔬 方法详解

问题定义：本文旨在解决多模态异常检测中重建不稳定的问题，现有方法在正常区域的重建误差较大，影响检测效果。

核心思路：GRC-Net通过引入全局注意力机制，强化补丁嵌入之间的全局一致性，同时结合稳定的重建模块，以减少重建噪声和误差。

技术框架：GRC-Net的整体架构包括全局注意力的多层感知机（MLP）模块和重建模块。全局注意力模块负责捕捉整体上下文信息，而重建模块则确保输出的稳定性。

关键创新：GRC-Net的主要创新在于通过全局表示一致性来抑制重建噪声，这一设计与传统的局部补丁方法形成鲜明对比，显著提高了重建的稳定性。

关键设计：在网络结构上，GRC-Net采用了多层感知机（MLP）作为全局注意力模块，并设计了特定的损失函数来最小化原始嵌入与预测嵌入之间的差异，从而增强模型的鲁棒性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，GRC-Net在MVTec 3D-AD和Eyecandies数据集上均显著优于现有方法，尤其在图像和像素级别的检测精度上提升幅度达到XX%。定性结果显示，正常区域的重建误差显著降低，正常与异常区域之间的重建差异更加明显。

🎯 应用场景

该研究的潜在应用领域包括制造业的自动化质量检测、产品缺陷识别以及其他需要结合多模态信息的异常检测场景。通过提高检测的准确性和稳定性，GRC-Net能够为工业生产提供更可靠的质量保障，未来可能在智能制造和机器人视觉等领域产生深远影响。

📄 摘要（原文）

Automated quality inspection is essential for ensuring product reliability in manufacturing.While image-based methods effectively capture appearance-related defects, these methods are limited in detecting structural and geometric anomalies, motivating multimodal approaches incorporating 3D information. However, existing methods mainly rely on local patch-level representations, which often lead to unstable reconstruction errors even in normal regions. To address this limitation, we propose GRC-Net, which integrates a global-attention MLP to enforce global representation consistency across patch embeddings with a stable reconstruction module to improve reconstruction stability. The proposed method captures holistic contextual information through a global token and suppresses reconstruction noise by minimizing discrepancies between original and predicted embeddings. Experiments on MVTec 3D-AD and Eyecandies demonstrate that GRC-Net consistently outperforms existing methods at both image and pixel levels. Qualitative results further demonstrate reduced reconstruction errors in normal regions and more distinct reconstruction differences between normal and anomalous regions.