Wir stellen den ersten umfassenden 3D-Datensatz für die Aufgabe der unüberwachten Anomalieerkennung und -lokalisation vor. Dieser Datensatz ist durch realistische visuelle Inspektionszenarien inspiriert, in denen ein Modell verschiedene Arten von Fehlern auf hergestellten Produkten erkennen muss, selbst wenn es nur mit fehlerfreien Daten trainiert wurde. Es gibt Fehler, die sich als Anomalien in der geometrischen Struktur eines Objekts manifestieren. Diese führen zu erheblichen Abweichungen in einer 3D-Darstellung der Daten. Wir haben einen hochauflösenden industriellen 3D-Sensor verwendet, um Tiefenscans von 10 verschiedenen Objektkategorien zu erfassen. Für alle Objektkategorien präsentieren wir ein Trainings- und Validierungsset, die ausschließlich aus Scans fehlerfreier Proben bestehen. Die entsprechenden Testsets enthalten Proben, die verschiedene Fehler wie Kratzer, Dellen, Löcher, Verunreinigungen oder Verformungen zeigen. Für jedes anomale Testbeispiel werden genaue Ground-Truth-Annotierungen bereitgestellt. Eine erste Benchmarkstudie von 3D-Anomalieerkennungsmethoden auf unserem Datensatz deutet auf erhebliche Verbesserungsmöglichkeiten hin.