R3D-AD：基于扩散的三维异常检测重建方法

三维异常检测在精密制造中监测零件局部固有缺陷方面发挥着至关重要的作用。基于嵌入和基于重建的方法是最受欢迎且成功的技术之一。然而，当前方法在实际应用中面临两大挑战：1）嵌入模型由于内存库结构而遭受计算和存储成本的限制；2）基于掩码自动编码器（MAE）机制的重建模型无法检测未被遮罩区域的异常。本文提出了一种名为R3D-AD的方法，通过扩散模型重建异常点云以实现精确的三维异常检测。我们的方法利用了扩散过程中的数据分布转换，完全掩盖输入中的异常几何特征。该方法逐步学习严格的点级位移行为，系统地纠正异常点。为了提高模型的泛化能力，我们进一步提出了一种新颖的三维异常模拟策略——Patch-Gen，用于生成真实且多样的缺陷形状，从而缩小训练和测试之间的域差距。R3D-AD确保了均匀的空间变换，这使得可以通过距离比较直接生成异常结果。大量实验表明，我们的R3D-AD优于以往的最先进方法，在Real3D-AD数据集上达到了73.4%的图像级AUROC，在Anomaly-ShapeNet数据集上达到了74.9%的图像级AUROC，并且具有卓越的效率。