随着三维感知技术在工业自动化和质量检测中的广泛应用，对高效可靠的异常检测算法的需求日益迫切。然而，在资源受限且对延迟敏感的边缘设备上部署先进的3D异常检测模型仍是一大挑战。传统的基于重建的方法往往计算量巨大，而扩散模型虽然性能优异，但其迭代去噪过程严重拖慢了推理速度。
来自印度和德国的研究团队在2026年CVPR研讨会上发表了一篇论文，提出了一种基于一致性模型（Consistency Models）的新型3D点云异常检测方法。该方法将异常检测问题重新定义为一致性学习任务，使得模型仅需一次或两次网络前向传播即可直接预测出无异常的几何结构。为了实现这一目标，研究团队设计了一种混合损失函数，强制模型将输入点云重建为干净（无异常）的形状，从而在训练过程中引导学习过程。
实验结果显示，该方法在不需要GPU加速的条件下，推理速度比当前最先进的方法R3D-AD快了最多80倍，同时保持了出色的检测性能。在Anomaly-ShapeNet数据集上，该方法取得了76.20%的I-AUROC（图像级异常检测的ROC曲线下面积），在Real3DAD数据集上达到72.80%，与现有方法相比具有竞争力。这一突破使得该技术非常适合部署在无人机、智能工业相机和其他计算能力有限的边缘设备上，为工业4.0和智能制造提供了新的可能性。
论文由Pranav A、Shashank B、Pranav Siddappa、Dominik Seuss、Minal Moharir和Subramanya KN共同撰写，已被CVPR 2026的第九届高效深度学习计算机视觉研讨会（ECV）接收，并将发表在相应的会议论文集中。