Wir präsentieren einen shape-gesteuerten Experten-Lernrahmen zur Lösung des Problems der unsupervisierten 3D-Anomalieerkennung. Unser Ansatz basiert auf der Wirksamkeit zweier spezialisierter Experte-Modelle und deren Synergie zur Lokalisierung anormaler Regionen aus Farb- und Formmodalitäten. Der erste Experte nutzt geometrische Informationen, um 3D-strukturelle Anomalien zu identifizieren, indem er die impliziten Distanzfelder um lokale Formen modelliert. Der zweite Experte berücksichtigt die 2D-RGB-Features, die mit dem ersten Experte verknüpft sind, um Farb- und Erscheinungsanomalien an lokalen Formen zu erkennen. Mittels dieser beiden Experten bauen wir zwei duale Speicherbanken aus anormalitätsfreien Trainingsbeispielen auf und führen eine formgesteuerte Inferenz durch, um Defekte in den Testbeispielen präzise zu lokalisieren. Aufgrund der punktweisen 3D-Darstellung und der effektiven Fusion komplementärer Modalitäten erreicht unser Verfahren auf dem MVTec 3D-AD-Datensatz eine state-of-the-art-Leistung mit höherer Recall-Rate und geringeren Falsch-Positiv-Raten – Merkmale, die in realen Anwendungen besonders wünschenswert sind.