La détection d'anomalies en 3D joue un rôle crucial dans le suivi des pièces pour détecter les défauts inhérents localisés dans la fabrication de précision. Les approches basées sur l'embedding et celles basées sur la reconstruction sont parmi les méthodes les plus populaires et réussies. Cependant, deux défis majeurs se posent à l'application pratique des approches actuelles : 1) les modèles embeddés souffrent de coûts de calcul et de stockage prohibitifs dus à la structure de banque mémoire ; 2) les modèles reconstructifs basés sur le mécanisme MAE (Masked Autoencoder) échouent à détecter les anomalies dans les régions non masquées.Dans cet article, nous proposons R3D-AD, une méthode de reconstruction de nuages de points anormaux par modèle de diffusion pour une détection d'anomalies 3D précise. Notre approche exploite la conversion de distribution des données du processus de diffusion afin d'obscurcir complètement la géométrie anormale de l'entrée. Elle apprend progressivement un comportement strict de déplacement au niveau des points, qui corrige systématiquement les points aberrants. Pour améliorer la généralisation du modèle, nous présentons également une nouvelle stratégie de simulation d'anomalies 3D nommée Patch-Gen, destinée à générer des formes de défaut réalistes et diversifiées, réduisant ainsi l'écart entre les domaines d'entraînement et de test.Notre R3D-AD assure une transformation spatiale uniforme, permettant ainsi une génération directe des résultats d'anomalie par comparaison de distances. De nombreux expériences montrent que notre R3D-AD surpasses les méthodes précédentes considérées comme étant à l'état de l'art, atteignant un taux AUROC (Area Under the Receiver Operating Characteristic curve) au niveau image de 73,4 % sur le jeu de données Real3D-AD et un taux AUROC au niveau image de 74,9 % sur le jeu de données Anomaly-ShapeNet avec une efficacité exceptionnelle.