隨著三維感知技術在工業自動化和質量檢測中的廣泛應用，對高效可靠的異常檢測演算法的需求日益迫切。然而，在資源受限且對延遲敏感的邊緣裝置上部署先進的3D異常檢測模型仍是一大挑戰。傳統的基於重建的方法往往計算量巨大，而擴散模型雖然效能優異，但其迭代去噪過程嚴重拖慢了推理速度。
來自印度和德國的研究團隊在2026年CVPR研討會上發表了一篇論文，提出了一種基於一致性模型（Consistency Models）的新型3D點雲異常檢測方法。該方法將異常檢測問題重新定義為一致性學習任務，使得模型僅需一次或兩次網路前向傳播即可直接預測出無異常的幾何結構。為了實現這一目標，研究團隊設計了一種混合損失函式，強制模型將輸入點雲重建為乾淨（無異常）的形狀，從而在訓練過程中引導學習過程。
實驗結果顯示，該方法在不需要GPU加速的條件下，推理速度比當前最先進的方法R3D-AD快了最多80倍，同時保持了出色的檢測效能。在Anomaly-ShapeNet資料集上，該方法取得了76.20%的I-AUROC（影像級異常檢測的ROC曲線下面積），在Real3DAD資料集上達到72.80%，與現有方法相比具有競爭力。這一突破使得該技術非常適合部署在無人機、智慧工業相機和其他計算能力有限的邊緣裝置上，為工業4.0和智慧製造提供了新的可能性。
論文由Pranav A、Shashank B、Pranav Siddappa、Dominik Seuss、Minal Moharir和Subramanya KN共同撰寫，已被CVPR 2026的第九屆高效深度學習計算機視覺研討會（ECV）接收，並將發表在相應的會議論文集中。