题目：Towards High-Resolution 3D Anomaly Detection: A Scalable Dataset and Real-Time Framework for Subtle Industrial Defects

题目：面向高分辨率 3D 异常检测：工业细微缺陷检测的可扩展数据集与实时框架

Towards 面向
High-Resolution 高分辨率
3D Anomaly Detection 3D 异常检测
A Scalable Dataset 一个可扩展的数据集
and 和
Real-Time Framework 实时框架
for Subtle Industrial Defects 用于工业细微缺陷检测
论文地址：AAAI 2026 2507
代码：https://github.com/hustCYQ/MiniShift-Simple3D
数据集地址：https://huggingface.co/datasets/ChengYuQi99/MiniShift

Abstract 摘要

  在工业点云分析任务中，细微异常的检测需要高分辨率空间数据的支撑，然而当前主流基准数据集均以低分辨率输入为核心设计。为解决这一矛盾，我们提出了一套可扩展的流水线，用于生成高真实感的细微3D异常数据。
  基于该流水线，我们构建了MiniShift——首个高分辨率3D异常检测数据集，该数据集包含2577个点云样本，每个样本包含50万个点，且异常区域占比均不足整体的1%。
  我们进一步提出了Simple3D，这是一套高效的检测框架，融合了多尺度邻域描述子（Multi-scale Neighborhood Descriptors, MSND）与局部特征空间聚合模块（Local Feature Spatial Aggregation, LFSA），能够以极低的计算开销捕捉复杂的几何细节，实现了超20帧每秒的实时推理。
  我们在MiniShift数据集与现有主流基准数据集上开展了大量评估实验，结果表明，Simple3D在检测精度与推理速度上均超越了当前最优方法，凸显了高分辨率数据与高效特征聚合方法在推动3D异常检测实际落地中的核心作用。

1. Introduction 引言

  尽管现代制造工艺已具备极高的加工精度，但细微的加工缺陷仍时有出现。这类缺陷能够规避传统检测手段，给下游应用带来严重的安全隐患（Cheng等人，2024a）。无监督点云异常检测技术应运而生，成为识别这类难检测缺陷的有效方案（Cao等人，2024；Wang等人，2023；Ye等人，2025）。然而，这类方法的性能受限于当前主流的低分辨率评估框架，这一依赖导致前沿研究成果与工业落地的严苛需求之间存在显著差距。
  传统的3D异常检测主流方法，首先会从原始点云中选取稀疏的点子集（通常约1k个点），对这些点的局部邻域特征进行编码以构建点组，并为每个点组分配异常分数。基于重建的技术，如IMRNet（Li和Xu，2024）与R3D-AD（Zhou等人，2024），会将每个点组转换为表征token，再通过点Transformer架构对其进行重建，最终通过计算原始token与重建token之间的特征差异得到异常分数。与之相对，基于原型的方法，如ISMP（Liang等人，2025）与GLFM（Cheng等人，2025b），利用预训练的点Transformer从点组中提取区分性特征，并基于特征与学习到的原型表征之间的偏差量化异常程度。为生成稠密的异常热力图，这类方法会将稀疏的组级分数插值到完整点云上。然而，这种插值过程不可避免地会损失检测细粒度缺陷所需的空间粒度。例如，在20mm×20mm的表面上，一个仅1mm×1mm的缺陷，在点云被降采样至1k个点后，几乎会变得无法识别。如图1(a)所示，一个细微的凸起在500k点的全分辨率点云中清晰可辨，在8k点的分辨率下仍可检测，但降采样至1k点后几乎完全消失。这一现象凸显了：要有效识别工业场景中的细微缺陷，亟需能够保留空间保真度的高分辨率异常检测框架。
  为检测这类细微异常，工业检测系统通常会为每个工件采集数十万甚至上百万个点（Cheng等人，2024b）。尽管MVTec 3D-AD（Bergmann等人，2022）、Real3D-AD（Liu等人，2024）、Anomaly-ShapeNet（Li和Xu，2024）与MulSenAD（Li等人，2024）等数据集提供了高分辨率点云，但这些数据集中的异常通常相对显著，与真实工业场景中遇到的极细微不规则缺陷形成了鲜明反差。为填补公开数据集与实际应用之间的鸿沟，我们提出了一套创新的流水线，用于在高分辨率点云中合成高真实感的细微异常。此外，为系统性地评估方法在不同尺度异常上的检测性能，我们引入了一套多级难度规范，基于异常的几何扰动程度与视觉可检测性，将其划分为简单、中等、困难三个等级。
  我们将这套流水线应用于MulSenAD（Li等人，2024）的正常样本子集，构建了全新的高分辨率基准数据集MiniShift。如图1(b)所示，MiniShift的点云均包含50万个点，远超现有数据集的分辨率（通常低于17万个点）。至关重要的是，该数据集中异常区域的表面积占比不足1%，这不仅要求检测方法使用高分辨率空间特征，也给现有基准带来了远超以往的检测挑战。

  我们在MiniShift数据集上，使用8k点的点云对当前最优（SOTA）方法开展了全面评估，结果表明这些方法在性能与效率两方面均存在不足。这一缺陷主要源于基于CNN（He等人，2016）与ViT（Zhao等人，2021）的骨干网络在高分辨率点云检测任务中的固有局限：（1）计算复杂度随输入点组数量的增加急剧上升，难以承受；（2）局部几何信息的表征精度不足。针对这一问题，我们重新挖掘了手工设计点云描述子的应用价值，提出了一套精简且鲁棒的基线方法Simple3D，专为高分辨率异常检测任务定制。Simple3D融合了两个创新模块：多尺度邻域描述子（Multi-scale Neighborhood Descriptor, MSND）与局部特征空间聚合模块（Local Feature Spatial Aggregation, LFSA）。通过为每个点计算多尺度描述子，并通过渐进式降采样对局部空间特征进行层级化聚合，Simple3D实现了对局部几何结构的精细化表征。依托轻量化的描述子，该方法相较现有方法，在精度与效率上均实现了大幅提升。大量实验证实，Simple3D不仅在MiniShift数据集上取得了SOTA性能，在传统基准数据集上同样表现优异，同时还能保持超过20帧每秒的实时推理速度。综上，本文的主要贡献如下：

• 我们提出了MiniShift，一套高分辨率3D异常检测数据集，包含2577个点云样本，每个样本含50万个点，并配套了三级难度评估框架，可对检测方法进行全面的性能评估。
• 我们提出了Simple3D，一套高分辨率异常检测方法，包含MSND与LFSA两个核心模块，在保证计算效率的同时，显著提升了对细微几何异常的识别能力。
• 通过严谨的实验，我们证实Simple3D在MiniShift，以及Real3D-AD、Anomaly-ShapeNet、MulSenAD等现有数据集上，性能始终超越现有SOTA方法，实现了更优的检测精度与实时性能。
• 我们的系统性分析凸显了高分辨率输入在精准3D异常检测中的核心作用，同时证实了经过合理聚合的局部几何特征，可作为该任务的有效表征。

2. MiniShift Dataset MiniShift数据集

2.1 Pipeline 构建流水线

  MiniShift数据集的构建流程如图2所示。我们首先从MulSen-AD数据集中，提取12个不同类别的典型工业零件的3D数据，对这些数据进行稠密采样，生成高分辨率点云。
  随后，我们提出了 锚点引导的几何异常合成（Anchor-Guided Geometric Anomaly Synthesis, AG-GAS） 方法，该方法可生成面状、条纹状、划痕、 球状一共四类异常，以及对应的缺陷掩码。我们通过精准调控锚点位置与几何形变参数，完成上述异常合成过程。
  此外，我们设计了一套难度分级规范，将数据集划分为简单、中等、困难三个子集，以还原真实工业场景中不同的检测难度。
  关于MiniShift数据集的完整细节，包括类别划分、训练集与测试集的样本量、异常分布等内容，均在附录A中进行了说明。

2.2 Anchor-Guided Geometric Anomaly Synthesis 锚点引导的几何异常合成

  我们提出了一套自动化框架，专门用于生成高真实感、多样化的3D缺陷，其流程如图2所示。
选锚点+连线+扩展成片+几何形变
  该流程首先随机选取两个锚点，随后确定锚点间的连接路径点；再将这些路径点扩展为局部邻域，划定形变区域，并在该区域内通过拉伸操作生成缺陷。
  R3D（Zhou等人，2024）与GLFM（Cheng等人，2025b）中的异常合成方法，大多仅能在局部圆形区域内模拟基础的凸起或凹陷缺陷；与这些方法不同，我们的框架仅需调整少量参数，即可灵活生成不同形状、不同尺度的缺陷。这种自适应能力能够更好地模拟工业缺陷固有的随机性与复杂性。
  该框架分为四个连续的阶段：

2.2.1 Anchor Points Selection 锚点选取

随机选两个锚点
  从包含n个点的输入点云$P\in {\mathbb{R}}^{n\times 3}$中，选取两个锚点$p_s$和$p_e\in P$，用于控制合成异常的位置与范围。

2.2.2 Geodesic Path Computation 测地线路径计算

测地线 (Geodesic)：简单理解为 “在弯曲空间中的最短路径”。
在 3D点云中，它不是直的欧氏距离（直线），而是沿着点云表面弯曲连接两点的最短路径。

  如图2所示，我们计算锚点间的测地线路径点，为后续的异常生成提供支撑。
先把点云通过KNN Graph转换成无向图模型
  首先，我们构建无向图 G = ( { p i } , { e i j } ) G = (\{p_i\}, \{e_{ij}\}) G=({pi​},{eij​})，其中边$e_{ij}=⟨p_i,p_j⟩$，$p_i\in P$，$p_j$为$p_i$在 点云$P$中的k近邻点之一 。
通过Dijkstra算法计算两个点在无向图之间的最短路径
  随后，我们采用Dijkstra算法（Frana和Misa，2010）求解$p_s$与$p_e$之间的最短路径${\pi }^{\ast }$，得到测地线路径点集$\Gamma$：
$${\pi }^{\ast }=\underset{\pi \in \Pi (p_s,p_e)}{\text{arg min}}\sum _{e_{ij}\in \pi }w(e_{ij})\text{\hspace{1em}(1)}$$
Γ = { { p i , p j } ∣ e i j ∈ π ∗ } (2) \Gamma = \{\{p_i,p_j\} \mid e_{ij} \in \pi^*\} \tag{2} Γ={{pi​,pj​}∣eij​∈π∗}(2)
  其中，$\Pi (p_s,p_e)$表示从$p_s$到$p_e$的所有可行路径，$\pi$为该集合中的一条路径，$w(e_{ij})$为$p_i$与$p_j$之间的欧氏距离。

2.2.3 Region Expansion 区域扩展

对路径上的每个点 以r为半径 扩展
  以测地线路径$\Gamma$为中心轴，我们通过控制半径$r$进行区域扩展，定义掩码区域$M_r$，该区域包含点云$P$中参与异常生成的点：
M r = { p j ∈ P ∣ ∥ p j − p i ∥ < r , ∀ p i ∈ Γ } (3) M_r = \{p_j \in P \mid \|p_j - p_i\| < r, \forall p_i \in \Gamma\} \tag{3} Mr​={pj​∈P∣∥pj​−pi​∥<r,∀pi​∈Γ}(3)
（超参数r）

2.2.4 Geometric Distortion 几何形变

对区域中的每个点应用几何形变
  通过计算掩码区域$M_r$内所有点的平均法向量${\bar{n}}_{avg}$，确定形变方向：
$${\bar{n}}_{avg}=\frac{\bar{n}}{\Vert \bar{n}{\Vert }_2},\bar{n}=\frac{1}{|M_r|}\sum _{p_j\in M_r}{n}_j\text{\hspace{1em}(4)}$$
  其中，$n_j$为点$p_j$的法向量，$|M_r|$表示掩码区域$M_r$内的点数量。

$1-\frac{d_j}{d_{\text{max}}}$ 越边缘形变小；越中心形变大
dj当前点到测地线的最小距离
dmax任意点到测地线的最大距离

  形变由参数 d i r ∈ { 1 , − 1 } dir \in \{1,-1\} dir∈{1,−1}控制（1代表凸起，-1代表凹陷），将$M_r$内的点沿${\bar{n}}_{avg}$方向偏移距离$d$。为保证形变的平滑性，拉伸距离会根据点到中心轴的距离进行缩放，最终得到异常点：
方向x距离=形变
$$p_j^{\prime }=p_j+dir\cdot {\bar{n}}_{avg}\cdot \left(1-\frac{d_j}{d_{\text{max}}}\right)\cdot d,d_{\text{max}}=\underset{p_i\in M_r}{\max }{d}_i\text{\hspace{1em}(5)}$$
  其中，$d_j={\min }_{p_m\in \Gamma }\Vert p_j-p_m\Vert$。
  通过精准的参数化设计，我们的框架为MiniShift数据集合成了多种缺陷类型，并选取了四类具有代表性的缺陷——面状缺陷、条纹状缺陷、划痕缺陷、球状缺陷，这四类缺陷均对应工业生产中最常见的缺陷形态。
  面状与条纹状缺陷以细微形变为特征，通常由机加工与铸造过程中不均匀的机械应力或热梯度导致；而划痕与球状异常的表面占比极小，一般产生于铣削、搬运或装配过程中的碰撞与摩擦。我们为每个类别、每种缺陷类型各生成了30个独立样本。
  数据集的更多细节详见附录A，与其他数据集的对比分析详见附录B。
（超参数d）

2.3 Difficulty Protocol 难度分级规范

  为兼顾工业检测场景的真实性与算法性能评估的有效性，我们设计了一套难度分级规范，基于几何显著性与视觉可感知性，将合成异常划分为简单、中等、困难三个等级。
  大尺度形变与大范围缺陷可被人工检测人员与自动化系统轻松识别，而细微异常（如微小凸起、微划痕）的漏检率则显著更高。简单子集的异常具有显著形变或较大的空间覆盖范围，易于识别；而困难子集包含微小、几乎无法感知的缺陷，对应工业场景中极易发生漏检的关键边缘案例。
  图1©展示了不同难度等级的异常样本，更多可视化结果详见附录G。
  该分级规范完善了数据集对真实世界缺陷复杂度的层级化刻画，同时为评估算法的鲁棒性与泛化能力建立了基准。
  控制异常难度的参数如表1所示，我们通过调整$\alpha$、$\beta$、$\gamma$的取值范围实现难度分级，三个参数的定义如下：
$$\alpha =l/D,\beta =r/D,\gamma =d/D,\text{\hspace{1em}(6)}$$
  其中，$D=\Vert \max (P)-\min (P){\Vert }_2$ 表示点云包围盒的对角线长度，$l$ 为锚点$p_s$与$p_e$之间的测地距离。

l：锚点之间的测地距离 #异常长度占比
r：区域扩展时的半径 #异常宽度占比
d：几何形变时的最大偏移距离 #异常幅度占比

3. Simple3D Method Simple3D方法

3.1 Overview 概述

  为解决高分辨率检测带来的诸多挑战，我们提出了Simple3D——一套简洁且高效的检测框架，其整体架构如图3所示。现有方法通常采用卷积神经网络（CNN）或视觉Transformer（ViT）进行点云特征提取，这会导致高分辨率检测任务的计算开销过高，难以落地；与这些方法不同，我们的方法通过手工设计的描述子提取点的局部特征，随后在空间层级上对这些特征进行聚合，以提升异常检测效果。
  Simple3D采用基于原型的检测机制，通过量化特征与已构建的正常原型之间的偏差，为样本分配异常分数。

3.2 Multi-Scale Neighborhood Description (MSND) 多尺度邻域描述

为点云中的每个点
通过1k邻域得到一个初始特征
然后多尺度 2k 3k得到多个特征
拼接 作为 N个多尺度局部特征

  设输入点云为$P\in {\mathbb{R}}^{n\times 3}$，其中$n$表示点云的总点数。对于每个点$p_i\in P$，我们找到其k个最近邻点，构建点集$R_i$。
  为了利用不同邻域尺度下点的局部分布所固有的互补信息，我们采用多组近邻数量$k_1,k_2,\dots ,k_m$，由此生成一系列点集$R_{i1},R_{i2},\dots ,R_{im}$。
  随后，我们使用局部特征算子$f$，从每个点集中提取特征描述子，并将这些描述子进行拼接，得到点$p_i$的多尺度局部特征表征$F_i$：
$$F_i=\text{Concat}(R_{i1},R_{i2},\dots ,R_{im})\text{\hspace{1em}(7)}$$

3.3 Local Feature Spatial Aggregation (LFSA) 局部特征空间聚合

原始有N个点，FPS采样t个具有代表特征的点，然后每个点在原始点云中找k个近邻点
t个具有代表特征的点的特征：由他们的group中的k近邻点的特征均值构成

  为进一步优化特征表征，我们从点云$P$中随机采样$t$个点，并在它们各自的邻域内对MSND特征进行聚合。该过程得到的增强点特征，既具备更大的感受野，也包含了更丰富的局部几何信息。
  具体而言，设采样点为$p_{s_j}$（其中$0\le j\le t$，$0\le s_j\le n$），邻域点数设定为$k_L$。
  采样点$p_{s_j}$的增强点特征$F_{s_j}^A$计算公式如下：
$$F_{s_j}^A=\frac{1}{k_L}\sum _{F\in R_{s_j{k}_L}}F\text{\hspace{1em}(8)}$$

3.4 Anomaly Detection 异常检测

测试也FPS采样t=2048个

要是想插值回原N个
就为N个点每个点找最近的3个中心点，
用距离倒数作为权重，
计算特征/分数加权值

  我们利用从正常点云中提取的增强点特征，构建正常原型集 S = { F s 1 A , F s 2 A , … , F s t A } \mathcal{S} = \{F^A_{s_1}, F^A_{s_2}, \dots, F^A_{s_t}\} S={Fs1​A​,Fs2​A​,…,Fst​A​}。
  对于测试点云的增强点特征$F_{\text{test}}^A$，我们将其与该正常原型集的偏差定义为异常分数。
  逐点异常分数$\mathbf{A}$与逐对象异常分数$\xi$的计算公式如下：
$$\mathbf{A}=\Vert F_{\text{test}}^A-F^{\ast }\Vert \text{\hspace{1em}(9)}$$
$$\xi =\max (\mathbf{A})\text{\hspace{1em}(10)}$$
  其中，$F^{\ast }=\underset{s\in \mathcal{S}}{\min }\Vert s-F_{\text{test}}^A\Vert$。

4. Experiment 实验

4.1 Experimental Setups 实验设置

4.1.1 Datasets 数据集

  我们的实验评估涵盖了本文提出的MiniShift数据集，以及三个已被广泛使用的公开基准数据集：Real3D-AD（Liu等人，2024）、Anomaly-ShapeNet（Li和Xu，2024）与MulSen-AD（Li等人，2024）。
  关于这些数据集的更多细节，详见附录B。

4.1.2 Implementation Details 实现细节

  在点云特征提取环节，我们的方法采用了手工设计的描述子FPFH（Rusu、Blodow与Beetz，2009），原因是Open3D（Zhou、Park与Koltun，2018）中提供了该描述子经CUDA加速的高效实现。
  多尺度邻域的默认取值为40、80与120，聚合点的数量设置为128。所有实验均在NVIDIA A100 GPU上完成。

4.1.3 Evaluation Metrics 评价指标

  为评估方法的有效性，我们采用了业界广泛认可的受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic curve, AUROC）指标。具体而言，我们分别计算了逐对象AUROC（O-ROC） 与 逐点AUROC（P-ROC），以衡量方法在四个数据集上的性能。

4.1.4 Comparison Methods 对比方法

  我们将所提方法与多种最新的当前最优（SOTA）方法进行了严谨的基准对比，包括：基于原型的方法，如PatchCore（Roth等人，2022；Horwitz与Hoshen，2023）、BTF（Horwitz与Hoshen，2023）、M3DM（Wang等人，2023）、CPMF（Cao、Xu与Shen，2024）、Reg3D-AD（Liu等人，2024）、Group3AD（Zhu等人，2024）以及GLFM（Cheng等人，2025b）；基于重建的方法，如R3D-AD（Zhou等人，2024）、IMRNet（Li与Xu，2024）与MC3D-AD（Cheng等人，2025a）；以及基于回归的方法 PO3AD（Ye等人，2025）。
  值得说明的是，我们针对M3DM与PatchCore，采用了多种特征类型进行评估，其中“-FP”代表使用FPFH特征（Rusu、Blodow与Beetz，2009），“-PM”代表使用PointMAE特征（Pang等人，2023），“-PB”代表使用Point-BERT特征（Yu等人，2022）。

4.2 Benchmarking Results on MiniShift MiniShift数据集基准测试结果

  所有对比方法在MiniShift数据集上的量化评估结果如表2所示。我们的方法在不同难度等级下，性能始终优于所有基线方法，凸显了其优异的泛化能力与鲁棒性。

  随着数据集复杂度提升，现有方法的性能出现显著下降，在难度最高的场景中尤为明显，其O-ROC与P-ROC指标的检测效果几乎失效。与之相反，尽管我们的方法性能也出现了小幅下降，但仍对所有对比方法保持着绝对且显著的优势。这一优异性能主要归功于我们方法中的两个核心模块，它们能够提取具备强区分度与高表征能力的特征，最终让我们的方法能够精准识别出其他方法无法检测到的、最细微复杂的异常。
  如图4所示的定性分析结果，进一步验证了上述量化结论。我们的方法Simple3D在多个类别上均能生成清晰度与精度极高的异常热力图，即便在复杂高难度的场景下也表现稳定。与之形成鲜明对比的是，绝大多数基线方法难以有效区分缺陷与背景，这凸显了高分辨率表征与精细的局部特征描述，对于实现高性能异常检测的核心必要性。

  详细的逐类别评估结果与更多定性可视化示例，分别在附录C与附录H中提供。

4.3 Benchmarking Results on Existing Datasets 现有数据集基准测试结果

  为进一步验证Simple3D的有效性，我们将评估范围扩展至三个主流公开基准数据集：Real3D-AD、Anomaly-ShapeNet与MulSen-AD，实验结果如表3所示。Simple3D在所有数据集的O-ROC与P-ROC两项指标上，均刷新了当前最优（SOTA）基准。此外，我们的方法在各个类别上均表现出稳定的性能，能够对细粒度异常进行精准定位，证实了其在各类3D异常类型上的泛化能力与区分性能。

4.3.1 Real3D-AD

  在Real3D-AD数据集上，Simple3D的O-ROC与P-ROC指标分别达到80.4%与92.3%，在两项指标上分别以2.2%与8.7%的优势，超越了MC3D-AD、ISMP等此前的SOTA方法。
  附录D中详细的逐类别分析结果显示，Simple3D在12个类别中的10个类别上，取得了最优的逐对象或逐点检测性能，充分验证了方法的有效性。尤其值得注意的是，方法在钻石（100%/99.0%）与汽车（98.1%/99.2%）类别上实现了近乎完美的检测效果。

4.3.2 Anomaly-ShapeNet Anomaly-ShapeNet

  在Anomaly-ShapeNet数据集上，Simple3D的O-ROC与P-ROC指标分别为86.0%与92.9%。值得关注的是，我们的方法不仅在O-ROC指标上以1.8%的优势超越MC3D-AD，更在P-ROC指标上实现了18.1%的大幅提升。附录E中的逐类别结果显示，Simple3D在40个类别中的35个类别上取得了优异性能，并在5个类别中实现了满分检测，进一步巩固了其领先地位。

4.3.3 MulSen-AD MulSen-AD

  在MulSen-AD数据集上，Simple3D刷新了SOTA基准，O-ROC与P-ROC指标分别达到88.3%与80.3%，较此前的最优结果分别提升了2.2%与16.2%。附录F记录的逐类别评估结果显示，我们的方法在15个类别中的12个类别上，取得了最优的逐点检测性能。

4.3.4 Qualitative Results and Analysis 定性结果与分析

  如图5所示的定性结果，充分展现了Simple3D在Real3D-AD、Anomaly-ShapeNet与MulSen-AD数据集上，对细微异常的精准定位能力。这些可视化结果凸显了该方法卓越的检测性能，尤其是与对比方法存在的缺陷相比，优势更为显著。

4.4 Ablation Study 消融实验

  为阐明MSND与LFSA模块的作用，我们在全部四个数据集上开展了全面的消融实验。表4汇总的实验结果表明，两个模块均能稳定提升检测性能，在所有评估指标上均带来了显著的性能增益。

4.4.1 Analysis on Detection Resolution 检测分辨率分析

  为深入探究检测分辨率对方法性能的影响，我们在四个基准数据集上，固定聚合点数量为16，在2⁸至2¹³的分辨率范围内对方法进行了评估。
  图6第一行展示的实验结果显示，在所有数据集上，所有评估指标均随分辨率提升呈现一致的上升趋势。值得注意的是，当分辨率超过2¹²时，我们的方法性能超越了此前的SOTA方法。这些结果凸显了高分辨率表征对于提升异常检测的精度与可靠性的核心重要性。

4.4.2 Analysis on Number of Aggregated Points 聚合点数量分析

  Simple3D通过引入LFSA模块扩大局部特征的感受野，以提升特征的区分能力。为量化聚合点数量对检测性能的影响，我们固定输入分辨率为4k个点，将邻域大小在2³至2⁸个点的范围内进行系统性调整。图6第二行展示的结果表明，随着聚合点数量增加，所有数据集上的性能指标均出现一致提升。这些结果凸显了精细的局部特征描述在3D异常检测中不可或缺的作用，我们的方法在部分场景下的性能甚至超越了基于可学习3D骨干网络提取的特征。

4.4.3 Analysis on Runtime 推理耗时分析

  图6展示的推理耗时分析，阐明了分辨率与聚合点数量对检测速度的影响。值得关注的是，在4k点的分辨率下，Simple3D不仅在性能上超越了此前的SOTA方法，还能保持超过20帧每秒的检测速度，显著优于所有对比方法。这种实时处理能力对于工业检测等实际落地场景具有至关重要的意义。

5. Conclusion 结论

  我们提出了MiniShift，这是一套面向高分辨率3D异常检测的全新基准数据集，通过一套可控的合成流水线构建而成，可规模化生成高真实感的细微表面缺陷。我们设计的评估规范基于几何显著性与视觉可感知性，将异常划分为三个难度等级，确保评估的全面性，与真实工业场景的复杂度相匹配。当前的SOTA方法难以在高分辨率场景下平衡精度与效率，为解决这一问题，我们提出了Simple3D——一套轻量且高效的方法，能够在稠密点云中实现实时、细粒度的异常检测。我们在MiniShift以及Real3D-AD、Anomaly-ShapeNet、MulSen-AD等数据集上开展的严谨实验表明，Simple3D在精度与速度两方面均取得了SOTA性能，凸显了高分辨率表征在微小缺陷检测中的核心作用。我们认为，MiniShift与Simple3D为高分辨率3D异常检测领域的未来发展奠定了坚实的基础。
未来方向：基于我们可扩展的异常生成流水线，我们计划构建一套大规模、多样化的3D异常检测数据集，助力基础模型的研发，使其能够跨类别精准识别细微异常，实现与工业场景的无缝落地融合。

Appendix 附录

  本补充材料包含如下章节，为正文内容提供额外的支撑说明：

• A节：MiniShift数据集详情
• B节：数据集对比
• C节：MiniShift数据集详细实验结果
• D节：Real3D-AD数据集详细实验结果
• E节：Anomaly-ShapeNet数据集详细实验结果
• F节：MulSen-AD数据集详细实验结果
• G节：MiniShift数据集更多可视化内容
• H节：更多定性实验结果

A. Details about MiniShift MiniShift数据集详情

测试集：$10\ast 12+10$（10个正合成120个负+10个正）
120个负：$30\ast 4$ （4种缺陷，每种缺陷对应30个样本）
  表5展示了MiniShift数据集中每个类别的详细数据分布。MiniShift共包含12个类别（胶囊、立方体、弹簧垫、螺丝、筛网、存钱罐、螺母、平垫、塑料圆柱、纽扣电池、牙刷、灯具），样本总量为2577个。具体而言，我们从MulSenAD数据集对应的训练数据中选取10个3D样本用于合成异常，其余样本则作为本文方法的训练集。我们利用这10个样本生成120个异常样本以构成测试集，其中每种缺陷类型对应30个样本。测试集同时还包含来自MulSenAD测试集的10个正常样本，因此每个类别总计有130个测试样本。

B. Dataset Comparison 数据集对比

  MiniShift与现有3D异常检测数据集的统计对比结果汇总于表6。对比结果表明，本数据集具备当前最高的空间分辨率（50万个点，显著高于其他数据集），同时异常区域占比为现有数据集中最低（不足1.0%，检测难度显著高于其他数据集）。

C. Detailed Results on MiniShift MiniShift数据集详细实验结果

  表7展示了每个类别的详细检测性能。Simple3D在12个类别中的10个类别上取得了最优性能，且平均性能显著优于其他对比方法。如表8、表9与表10所示，三个难度子集的实验结果也一致验证了本文方法的优越性。尽管如此，仍有部分场景的O-ROC/P-ROC指标低于70%，这也凸显了细微缺陷检测任务本身的挑战性。

D. Detailed Results on Real3D-AD Real3D-AD数据集详细实验结果

  表11展示了Real3D-AD数据集上的量化对比结果。Simple3D在各项指标上全面取得了最优性能，平均O-ROC达80.4%，平均P-ROC达92.3%，性能超越了所有现有基线方法。值得注意的是，Simple3D的P-ROC指标在12个类别中的7个类别上排名第一，包括汽车（99.2%）、钻石（99.0%）、海马（94.2%）与鱼（96.2%），同时在其余绝大多数类别上也保持了具备竞争力的顶尖水平结果。

E. Detailed Results on Anoamly-ShapeNet Anomaly-ShapeNet数据集详细实验结果

  表12提供了Anomaly-ShapeNet数据集上的量化对比结果。与MC3D-AD、PO3AD等最新SOTA方法相比，Simple3D在各类物体类别上，均展现出更优的逐对象、逐点级检测性能与鲁棒性。例如，尽管MC3D-AD在部分类别的O-ROC指标上表现良好，但其平均P-ROC指标通常存在明显差距，凸显了其空间精度的不足。与之相反，Simple3D的P-ROC指标始终保持高位，验证了其在稠密、细粒度异常感知上的优势。

F. Detailed Results on MulSen-AD MulSen-AD数据集详细实验结果

  表13展示了MulSen-AD数据集上的量化对比结果。Simple3D 取得了最优性能，平均O-ROC达88.2%，平均P-ROC达80.3%，超越了所有现有基线方法。GLFM等方法尽管在部分类别上有效，但泛化能力不足，平均P-ROC低于70%。这进一步证实了Simple3D 具备优异的泛化能力，可适配不同的形状、尺度与缺陷模式，且无需依赖复杂的数据增强或任务专属调优。

G. More Visualization of MiniShift MiniShift数据集更多可视化内容

  图7展示了本文提出的MiniShift数据集中的代表性样本，覆盖12个物体类别下的全部四种合成缺陷类型（面状缺陷、条纹状缺陷、划痕缺陷与球状凸起缺陷）。针对每种缺陷类型，第一行展示了缺陷样本的高分辨率点云渲染图，对应的下一行（GT）则为标注了精准缺陷区域的真实值标注。红色框为放大视图，可更精细地展示局部结构异常。该可视化内容全面展现了物体几何结构与缺陷表现形式的多样性，验证了本数据集能够为细微3D异常检测任务提供有效支撑。

H. More qualitative results 更多定性实验结果

  图8展示了MiniShift数据集上逐点异常检测结果的定性对比。从上至下，我们依次可视化了输入点云、真实值标注（GT），以及各对比方法生成的异常热力图；对比方法包括PatchCore（分别使用FPFH、PointMAE与PointBert提取的特征）、GLFM、R3D-AD，以及本文提出的Simple3D。与现有方法相比，Simple3D生成的异常热力图始终具备高度的定位精度与清晰的边界，与真实缺陷区域高度匹配。例如，在螺丝、塑料圆柱、牙刷等复杂几何结构上，Simple3D能够有效识别出细微的结构缺陷，而其他基线方法要么无法检测到这些缺陷，要么检测结果模糊弥散。这些可视化结果进一步证实，Simple3D能够提取具备强区分度的局部描述子，在各类缺陷场景下，其检测精度与可解释性均超越了此前的当前最优（SOTA）方法。