R3D-AD: إعادة الإنشاء عبر الانتشار لاكتشاف الشذوذ ثلاثي الأبعاد

يقوم اكتشاف الشذوذ ثلاثي الأبعاد بدور حاسم في مراقبة الأجزاء للكشف عن العيوب الداخلية المحلية في التصنيع الدقيق. تعد الأساليب القائمة على التضمين والأساليب القائمة على الإعادة من بين أكثر الطرق شيوعًا ونجاحًا. ومع ذلك، هناك تحديان رئيسيان يواجهان التطبيق العملي للأساليب الحالية: 1) تعاني النماذج المضمنة من الحسابات والتخزين المفرطين بسبب هيكل البنك الذاكرة؛ 2) فشلت النماذج الإعادة التي تعتمد على آلية MAE (Mechanism for Masked Autoencoder) في الكشف عن الشذوذ في المناطق غير المقنعة.في هذا البحث، نقترح R3D-AD، وهو نموذج لإعادة بناء السحب النقطية الشاذة باستخدام نموذج الانتشار للاكتشاف الدقيق للشذوذ ثلاثي الأبعاد. يستفيد نهجنا من تحويل توزيع البيانات في عملية الانتشار لإخفاء الهندسة الشاذة تمامًا للمدخلات. يتعلم بشكل تدريجي سلوك تحريك نقاط صارم، مما يصلح النقاط الشاذة بطريقة منهجية. لزيادة تعميم النموذج، نقدم أيضًا استراتيجية جديدة لمحاكاة الشذوذ ثلاثي الأبعاد تُسمى Patch-Gen لتوليد أشكال عيوب واقعية ومتنوعة، مما يقلل الفجوة المجالية بين التدريب والاختبار.يضمن R3D-AD الخاص بنا تحويل فراغي موحد، مما يسمح بإنشاء نتائج شاذة مباشرة عبر مقارنة المسافات. تظهر التجارب الواسعة أن R3D-AD الخاص بنا يتفوق على الطرق الرائدة سابقًا، حيث حقق نسبة AUROC (Area Under the Receiver Operating Characteristic Curve) على مستوى الصورة بنسبة 73.4% على مجموعة بيانات Real3D-AD ونسبة 74.9% على مجموعة بيانات Anomaly-ShapeNet مع كفاءة استثنائية.