GS-CLIP：基于几何感知提示与协同视图表示学习的零样本3D异常检测

基于摘要分析。本文研究零样本3D异常检测（ZS3DAD）：在不使用目标数据集训练数据的条件下检测异常。GS-CLIP 针对3D点云投影为2D表示时几何细节损失、单一2D模态信息不足的问题，提出结合几何感知文本提示与互补视图表示的两阶段学习框架；主要研究对象是3D点云异常检测与分割，并非 EEG 或 BCI。 第一阶段动态生成包含3D几何先验的文本提示，由 Geometric Defect Distillation Module（GDDM）提炼全局形状上下文和局部缺陷信息。第二阶段通过 Synergistic View Representation Learning 并行处理渲染图像与深度图像，再由 Synergistic Refinement Module（SRM）融合两路特征。其方法思路是同时在文本提示与视觉表示中补充几何信息，而不只依赖单一投影视图；具体提示构造、几何信息提炼方式、融合运算、损失函数及训练数据来源尚未验证。 作者报告，在四个大型公开数据集上的实验显示，GS-CLIP 在检测与分割方面取得优于对照方法的表现。摘要未提供数据集名称、指标数值、对照基线或数据划分，因此无法核对优势幅度及不同异常类型下的稳定性。需进一步核对零样本协议、两个阶段的数据使用范围，以及 GDDM、双路视图和 SRM 的消融与统计信息。 作者表示代码将在论文接收后发布，这不代表目前已接收或代码已公开。本文依赖3D几何先验以及渲染图像、深度图像的互补结构，现有材料未建立其与 EEG 信号的具体对应关系，不据此提出 BCI 迁移结论或复现实验建议；相关 EEG 工作尚未检索确认。