MVFM-3DAD: Multi-view Flow Matching for 3D Anomaly Detection via Density Proxy Estimation
作者: Liangwei Li, Lin Liu, Jing Zhang, Xiaohui Du, Ruqian Hao, Xinwei Li, Hanzhe Liang, Juanxiu Liu
分类: cs.GR
发布日期: 2026-08-12
备注: ICIG 2026 oral presentation, 13 pages, 3 tables, 4 figures
🔗 代码/项目: GITHUB
💡 一句话要点
提出MVFM-3DAD以解决3D异常检测中的密度估计问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 3D异常检测 密度估计 流引导 多视图表示 机器学习
📋 核心要点
- 现有的3D异常检测方法在记忆库和重建方面存在局限，无法有效覆盖正常特征或处理异常输入。
- MVFM-3DAD通过密度代理估计的方法，重新定义了3D异常检测，利用流引导的方式进行正常数据分布的评估。
- 实验结果显示，MVFM-3DAD在多个数据集上表现优异，超越了当前最强的竞争方法，验证了其有效性。
📝 摘要（中文）
在3D异常检测（3DAD）中，现有方法大多依赖于记忆库检索或重建。然而，基于记忆的方法受限于存储正常特征的覆盖范围，而基于重建的方法可能学习到身份捷径，从而也能很好地重建异常输入。这些局限性促使我们采用一种基于密度的方法，评估测试样本是否遵循学习到的正常分布。为此，我们提出了MVFM-3DAD，一个基于流的框架，将3DAD重新定义为对正常数据分布的密度代理估计。MVFM-3DAD引入了双向几何投影器（BGP），其前向过程将不规则点云转换为结构化的多视图表示。流引导密度代理估计器（FDPE）为每个视图特征估计参考密度，随后BGP的反向过程将这些多视图密度估计映射到相应的3D点。基于此，异常特征可以通过其终端正常性进行识别。与传统的基于流的似然估计不同，我们的公式不需要输入重建或显式的雅可比评估，从而实现了简单高效的异常评分机制。大量实验表明，MVFM-3DAD在Real3D-AD和MVTec3D-AD上优于最强竞争方法。
🔬 方法详解
问题定义：本论文旨在解决3D异常检测中的密度估计问题。现有方法依赖于记忆库和重建，存在覆盖范围不足和异常输入重建良好的问题。
核心思路：MVFM-3DAD提出了一种基于流的框架，通过密度代理估计来评估测试样本是否符合正常分布，从而识别异常特征。
技术框架：该方法主要包括两个模块：双向几何投影器（BGP）和流引导密度代理估计器（FDPE）。BGP将不规则点云转换为多视图表示，FDPE则为每个视图特征估计参考密度。
关键创新：MVFM-3DAD的创新在于不需要输入重建或显式的雅可比评估，简化了异常评分机制，提升了效率和准确性。
关键设计：在设计中，BGP的前向和反向过程是关键，确保了多视图密度估计的准确性。同时，FDPE的参考密度估计方法也经过精心设计，以适应不同视图特征的需求。
🖼️ 关键图片
📊 实验亮点
实验结果表明，MVFM-3DAD在Real3D-AD和MVTec3D-AD数据集上均显著优于现有最强竞争方法，具体性能提升幅度达到XX%（具体数据待补充），验证了其有效性和优越性。
🎯 应用场景
该研究在工业监控、智能安防和自动驾驶等领域具有广泛的应用潜力。通过高效的3D异常检测，能够实时识别潜在的异常行为或故障，提升系统的安全性和可靠性。未来，随着技术的进一步发展，MVFM-3DAD有望在更多实际场景中得到应用。
📄 摘要（原文）
In 3D anomaly detection (3DAD), most existing methods rely on Memory bank retrieval or reconstruction. However, memory-based methods are constrained by the coverage of stored normal features, while reconstruction-based methods may learn identity shortcuts that also reconstruct anomalous inputs well. These limitations motivate a density-oriented approach that evaluates whether a test sample follows the learned normal distribution. To this end, we propose MVFM-3DAD, a flow-based framework that reframes 3DAD as density proxy estimation over the normal data distribution. MVFM-3DAD introduces a Bidirectional Geometric Projector (BGP), whose forward process converts irregular point clouds into structured multi-view representations. The Flow-guided Density Proxy Estimator (FDPE) estimates a reference density for each view feature, after which the backward process of BGP maps these multi-view density estimates to their corresponding 3D points. Building on it, anomalous features can be identified by their terminal normality. Unlike conventional flow-based likelihood estimation, our formulation requires neither input reconstruction nor explicit Jacobian evaluation, yielding a simple and efficient anomaly-scoring mechanism. Extensive experiments show that MVFM-3DAD outperforms the strongest competing methods on Real3D-AD and MVTec3D-AD. Code is available at https://github.com/lil-wayne-0319/MV3D-AD