اكتشاف الشذوذ في الصور أصبح مشكلة مُستكشفة جيدًا في كل من الأوساط الأكاديمية والصناعية. تمتلك خوارزميات الطليعة القدرة على اكتشاف العيوب في بيئات وأوضاع بيانات متزايدة التعقيد. ومع ذلك، فإن معظم الأساليب الحالية ليست مناسبة للتعامل مع الكائنات ثلاثية الأبعاد التي تم التقاطها من زوايا مختلفة. رغم أن قد تم اقتراح حلول باستخدام حقول الإشعاع العصبي (NeRFs)، إلا أنها تعاني من متطلبات حسابية مفرطة، مما يعيق استخدامها في العالم الحقيقي. لهذا السبب، نقترح إطار عمل جديد يعتمد على التوزيع الغاوسي الثلاثي الأبعاد (3D Gaussian splatting) يُسمى SplatPose، والذي، عند تقديمه صورًا متعددة الزوايا للكائن ثلاثي الأبعاد، يقوم بتقدير وضعية الزوايا غير المعروفة بطريقة قابلة للمفاضلة بدقة واكتشاف الشذوذ فيها. نحقق نتائج طليعية في سرعة التدريب والاستدلال، وأداء الاكتشاف، حتى عند استخدام كمية بيانات تدريب أقل من الأساليب المنافسة. نقوم بفحص إطاراتنا العمل بشكل شامل باستخدام مقاييس اكتشاف الشذوذ المستقل عن الوضعية المُقترحة مؤخرًا وبياناتها لمراقبة الشذوذ المتعدد الوضعيات (MAD).