Profondeur de triche : Amélioration de la détection d'anomalies de surface 3D par simulation de profondeur

Les méthodes de détection d'anomalies de surface basées sur les images RGB ont connu des avancées significatives. Cependant, certaines anomalies de surface restent pratiquement invisibles dans les seules images RGB, nécessitant l'intégration d'informations 3D. Les approches existantes qui utilisent des troncs principaux basés sur des nuages de points souffrent de représentations sous-optimales et d'une applicabilité réduite en raison du traitement lent. Le ré-entraînement des troncs principaux RGB, conçus pour un traitement dense plus rapide, sur des jeux de données industriels de profondeur est entravé par la disponibilité limitée de jeux de données suffisamment importants. Nous apportons plusieurs contributions pour relever ces défis :(i) Nous proposons une nouvelle architecture d'autoencodeur discret sensible à la profondeur (Depth-Aware Discrete Autoencoder, DADA), qui permet d'apprendre un espace latent discret généralisé modélisant conjointement les données RGB et 3D pour la détection d'anomalies de surface 3D.(ii) Nous abordons le manque de diversité des jeux de données industriels de profondeur en introduisant un processus de simulation pour apprendre des caractéristiques informatives de profondeur dans l'encodeur de profondeur.(iii) Nous proposons une nouvelle méthode de détection d'anomalies de surface, 3DSR, qui surpassent toutes les méthodes actuelles les plus performantes sur le benchmark difficile MVTec3D, tant en termes de précision que de vitesse de traitement. Les résultats expérimentaux valident l'efficacité et l'efficience de notre approche, soulignant le potentiel d'utilisation des informations de profondeur pour améliorer la détection d'anomalies de surface.