基于RGB的表面异常检测方法已经取得了显著进展。然而，某些表面异常在仅使用RGB图像时几乎不可见，因此需要引入3D信息。现有的利用点云主干网络的方法由于处理速度较慢，导致表示效果不佳且适用性降低。重新训练设计用于快速密集输入处理的RGB主干网络以适应工业深度数据集受到限制，主要原因是缺乏足够大的数据集。为了解决这些挑战，我们做出了以下几项贡献：(i) 提出了一种新的深度感知离散自动编码器（Depth-Aware Discrete Autoencoder, DADA）架构，该架构能够学习一个通用的离散潜在空间，联合建模RGB和3D数据以进行3D表面异常检测。(ii) 通过引入一种模拟过程来学习深度编码器中的信息丰富的深度特征，解决了工业深度数据集多样性不足的问题。(iii) 提出了一种新的表面异常检测方法3DSR，该方法在具有挑战性的MVTec3D异常检测基准测试中表现出色，不仅在准确性上超过了所有现有的最先进方法，在处理速度上也优于它们。实验结果验证了我们方法的有效性和高效性，突显了利用深度信息提高表面异常检测性能的潜力。