awesome-3d-anomaly-detection

这是一个关于3D异常检测的数据集资源合集，专门收集、整理和索引与3D异常检测相关的公开数据集。合集覆盖多模态、点云和姿态无关的异常检测领域，包括M3AD、PA3AD、PC3AD等数据集，并提供了对这些数据集的详细讨论和分类，旨在为研究者和实践者提供一个全面的数据集参考目录。This is a curated collection of 3D anomaly detection dataset resources, which specifically collects, organizes and indexes publicly available datasets related to this field. This collection covers the domains of multimodal, point cloud-based and pose-agnostic anomaly detection, including datasets such as M3AD, PA3AD and PC3AD. It also provides detailed discussions and categorizations for these datasets, aiming to provide a comprehensive reference catalog of datasets for researchers and practitioners.

原始信息汇总

3D异常检测研究资源汇总

该页面系统整理了3D异常检测领域的公开数据集、研究方法及最新进展，内容持续更新至v4.4版本（2026年5月31日）。

核心方法分类

现有3D异常检测方法主要分为两大类：

• 特征嵌入方法：从正常和异常结构中解耦特征表示，使模型处理后呈现不同响应
• 特征重建方法：通过重建点云并比较重建前后差异来检测异常

研究方向

1. 多模态3D异常检测

1.1 深度图（2.5D）+ RGB

• 特征嵌入方法：学生-教师网络、跨模态蒸馏等
• 特征重建方法：U-Net结构、自编码器方法

1.2 点云 + RGB

• 特征嵌入方法：学生-教师网络、记忆库方法
• 特征重建方法：Transformer方法、Flow方法、GAN方法、自编码器方法

1.3 超越单模态

2. 点云3D异常检测

• 特征重建方法：Transformer方法、偏移量方法、形状描述子方法
• 特征嵌入方法：手工数学算子、深度特征提取器、多视角特征表示
• 零样本大语言模型方法

3. 姿态无关3D异常检测

• 多视角方法
• 图像查询方法

数据集

• M3AD
• PA3AD
• PC3AD

顶会论文列表

ICML 2026

• Remove the Ambiguity: Few-shot Multimodal Anomaly Detection Using Crossmodal Feature Replacers
• CoGeoAD: Hierarchical Color-Geometric Fusion with Multi-View Attention for Zero-Shot 3D Anomaly Detection

ICASSP 2026

• Boosting Anomaly Detection in Industrial 3D Data: An Entropy-Guided Denoising Autoencoder
• 3D-Aware Semantic Alignment: Joint Global and Local Modeling for 3D Few-shot
• Efficient3D-AD: Token-Efficient and View-Aware Zero-shot 3D Multimodal Anomaly Detection

CVPR 2026

11篇论文，涵盖增量式统一多模态异常检测、零样本3D异常检测、多类别3D异常检测、高效点云异常检测、多视角法向量基准数据集等方向

AAAI 2026

• 集成电路封装基板表面缺陷点云分割（含数据集与基准方法）
• 基于超图增强记忆的少样本多模态异常检测
• 曲率增强自监督学习3D异常检测

使用指南

新手入门建议从特征嵌入方法开始，推荐复现基准方法 Real3D-AD，并阅读关键论文理解旋转不变特征与特征分辨率等核心挑战。

搜集汇总

数据集介绍

构建方式

该数据集以GitHub仓库的形式构建，系统性地收集和整理了三维异常检测领域的公开数据集与相关研究文献。项目团队通过持续追踪顶级学术会议（如CVPR、AAAI、ICML等）的最新成果，将方法按照多模态三维异常检测、点云三维异常检测、姿态无关三维异常检测等范式进行分层归类，并进一步细分为基于特征嵌入与基于特征重建的技术路线。同时，仓库整合了M3AD、PA3AD、PC3AD等专用基准数据集，为研究者提供了结构清晰、覆盖全面的知识图谱。

使用方法

研究者可通过GitHub仓库的目录结构按需浏览，从教程部分获取领域入门指引与代表性方法复现建议。利用会议总结板块可追踪最新前沿进展，而根据具体研究需求，可沿多模态/点云/姿态无关等主线深入对应章节，查阅各方法的论文链接与代码仓库。此外，数据集部分提供了M3AD、PA3AD、PC3AD等基准的详细信息，支持直接用于算法评估与对比实验。

背景与挑战

背景概述

三维异常检测作为工业视觉领域的前沿研究方向，旨在从三维点云或深度数据中精准识别与定位表面缺陷、几何形变等异常结构。该领域的研究可追溯至2022年MVTec 3D-AD数据集的发布，随后由M-3LAB团队主导构建的Real3D-AD等基准数据集极大推动了技术演进。核心研究问题聚焦于如何从正常样本中解耦异常特征表征，当前主流方法分为特征嵌入与特征重建两大范式。该领域影响力持续攀升，近年已在CVPR、ICML、AAAI等顶级会议中涌现大量创新工作，并催生出多模态融合、姿态无关检测等新兴分支，为工业质检、自动驾驶等场景提供了关键技术支持。

当前挑战

当前三维异常检测面临的核心挑战包括：其一，特征判别性不足，传统方法依赖旋转不变特征或姿态对齐表征，但点云数据的几何变换易导致特征混淆，需设计鲁棒的特征提取策略；其二，特征分辨率局限，多数方法仅能在约2%的点上分配特征，难以实现细粒度异常定位，亟需发展点级判别表征；其三，多模态融合困难，RGB与深度/点云数据在空间域与语义域的异构性导致对齐偏差，如何高效融合跨模态信息仍是开放问题；其四，构建过程中面临数据标注成本高昂、异常样本稀缺等难题，制约了大规模真实场景数据集的建立。

常用场景

经典使用场景

该数据集经典的使用场景聚焦于工业制造场景下的三维异常检测与定位。在精密零部件生产线上，产品表面微小的划痕、凹陷或形变往往难以被肉眼察觉，而传统二维图像检测方法受限于视角与光照，难以捕捉深度维度的异常。该数据集为此提供了丰富的多模态数据，包括RGB图像与深度图或点云，使得模型能够同时利用颜色与几何信息，实现对异常区域的精准分割与定位。例如，在半导体晶圆检测、汽车零部件质检等任务中，研究者可基于该数据集训练模型，识别出仅存在于三维结构中的细微缺陷，显著提升质检的自动化水平与可靠性。

解决学术问题

该数据集系统性地解决了三维异常检测领域长期面临的几项核心学术难题。其一，它弥补了真实世界中三维异常数据匮乏的短板，为无监督与少样本学习范式提供了标准化评估基准，使得不同方法之间的性能比较成为可能。其二，它推动了多模态特征融合的理论探索，促使学界深入思考如何有效对齐RGB与点云或深度图在语义与几何层面的异构表征。其三，它激发了旋转不变性与姿态鲁棒性等关键问题的研究，催生了诸如基于经典几何描述子或旋转不变深度特征的创新方法，为构建更具泛化能力的异常检测模型奠定了坚实的数据基础。

实际应用

在实际工业应用中，该数据集所催生的技术已展现出广泛的部署潜力。在消费电子制造领域，基于该数据集训练的模型可集成至自动化光学检测设备中，用于手机外壳、电路板等组件的在线缺陷筛查。在航空航天与汽车工业中，该技术可应用于涡轮叶片、车身覆盖件等复杂曲面的无损检测，快速定位形变或材料缺失。此外，在文化遗产数字化保护场景中，该数据集的方法经迁移学习后，可用于识别三维扫描文物表面的风化或破损区域，为修复工作提供量化依据。这些实际应用不仅降低了人工复检成本，更显著提升了检测的一致性与吞吐量。

数据集最近研究

最新研究方向

当前，3D异常检测领域正经历从单一模态向多模态深度融合的范式转变，同时零样本与少样本学习能力成为研究焦点。前沿方向聚焦于利用多模态数据（如RGB-D、点云与RGB）的互补性，通过特征嵌入与特征重建两大技术路线提升检测精度与鲁棒性。特别是，针对工业场景中姿态变化、纹理缺失等复杂挑战，研究者们致力于开发姿态无关与纹理无关的检测框架，并探索基于大语言模型的零样本泛化能力。此外，连续学习与增量式统一多模态异常检测方法的兴起，标志着该领域正迈向更高效、更适应动态生产环境的智能检测体系，对推动智能制造与工业自动化的可靠性具有深远意义。