深入探索更多：用于3D异常检测的内部空间模态感知

三维异常检测最近已成为计算机视觉领域的重要研究焦点。一些先进的方法已经实现了令人满意的异常检测性能。然而，这些方法通常主要关注三维样本的外部结构，难以充分利用样本内部的信息。基于“为什么不从内部寻找更多信息”的基本直觉，我们提出了一种名为内部空间模态感知（Internal Spatial Modality Perception, ISMP）的简单方法，以全面探索从内部视图中提取的特征表示。具体而言，我们提出的ISMP包含一个关键的感知模块——空间洞察引擎（Spatial Insight Engine, SIE），该模块将点云的复杂内部信息抽象为基本的全局特征。此外，为了更好地将结构信息与点数据对齐，我们提出了一种增强的关键点特征提取模块，用于放大空间结构特征表示。同时，引入了一个新颖的特征过滤模块，以减少噪声和冗余特征，进一步精确对齐空间结构。大量的实验验证了我们所提出方法的有效性，在Real3D-AD基准测试中分别实现了对象级和像素级AUROC（Area Under Receiver Operating Characteristic Curve）提升3.2%和13.1%。值得注意的是，SIE的强大泛化能力已通过理论证明，并在分类和分割任务中得到了验证。