基于双提示点语言模型的3D异常检测方法PLANE及其在工业精密制造中的应用

本文提出PLANE模型，创新性地将点语言模型（PLM）与双提示机制结合，通过文本与点云动态静态提示的协同驱动，实现多类别3D异常检测（AD）的单模型统一处理。该方法引入Ano3D异常生成策略增强无监督泛化能力，在Anomaly-ShapeNet和Real3D-AD数据集上分别实现8.7%/7.0%和4.3%/0.3%的性能提升，为工业精密检测提供高效解决方案。

　　

亮点 (Highlights)

• 首次将点语言模型（PLM）引入3D点云异常检测（AD）领域，构建多类别单模型架构

• 提出双提示机制整合点云与文本模态，通过动态静态提示组合实现跨模态特征高效对齐

• 开发Ano3D合成异常生成技术，显著提升模型对真实异常的泛化检测能力

• 在Anomaly-ShapeNet和Real3D-AD数据集上全面超越现有最佳方法，多项指标实现突破性提升

优势 (Strength)

PLANE方法展现出多重技术优势：其一，在Anomaly-ShapeNet数据集上达成0.836/0.821的O-AUROC/P-AUROC指标，在Real3D-AD数据集上取得0.777/0.736的优异表现，分别以8.7%/7.0%和4.3%/0.3%的幅度领先现有技术。这种性能突破主要归功于双提示机制——动态提示生成模块（DPCM）产生实例特异性提示，与类别静态提示融合后驱动PLM实现精准的多模态特征对齐。其二，该方法突破传统"一类一模型"范式，大幅降低存储与计算成本。其三，Ano3D技术通过模拟点云异常（如局部变形和噪声注入），有效解决训练数据稀缺问题，增强模型对真实工业场景的适应性。

结论 (Conclusion)

本研究提出的PLANE框架成功将预训练点语言模型应用于3D点云异常检测领域，通过点云-文本特征相似度计算实现精准异常识别。双提示机制与特征适配层（PCFA）的协同设计，显著提升跨模态特征对齐效果。Ano3D异常生成策略有效缓解数据稀缺导致的过拟合问题。实验证明该方法在多个基准数据集上达到最先进性能，为工业精密检测提供具有泛化能力的智能解决方案。