R3D-AD: 3次元異常検出のための拡散を用いた再構成

3次元異常検出は、精密製造における部品の局所的な内在欠陥の監視に重要な役割を果たしています。埋め込みベースと再構築ベースのアプローチが最も人気があり、成功している方法です。しかし、現行のアプローチの実用化には2つの主要な課題があります：1) 埋め込みモデルはメモリバンク構造により計算量と記憶容量が制約されます；2) MAE（Masked Autoencoder）機構に基づく再構築モデルは、マスクされていない領域での異常検出に失敗します。本論文では、R3D-AD（Reconstructing 3D Anomalous Point Clouds by Diffusion Model for Precise 3D Anomaly Detection）を提案します。この手法は拡散過程のデータ分布変換を利用して、入力の異常形状を完全に隠蔽します。また、ステップワイズに厳密な点レベルの変位行動を学習し、系統的に異常点を修正します。モデルの汎化能力を向上させるため、現実的で多様な欠陥形状を生成する新しい3次元異常シミュレーション戦略であるPatch-Genも提示します。これにより、訓練とテスト間のドメインギャップが縮小されます。R3D-ADは一様な空間変換を保証し、距離比較によって直接的に異常結果を生成することが可能となります。広範囲にわたる実験結果から、R3D-ADが従来の最先端手法よりも優れていることが示されています。具体的には、Real3D-ADデータセットにおいて画像レベルAUROC（Area Under the Receiver Operating Characteristic Curve）で73.4%、Anomaly-ShapeNetデータセットにおいて74.9%という優れた効率性を達成しています。