R3D-AD: 3차원 이상 탐지 위한 확산을 통한 재구성

3D 이상 탐지가 정밀 제조에서 부품의 국소적 내재 결함을 모니터링하는 데 중요한 역할을 합니다. 임베딩 기반 및 재구성 기반 접근 방식은 가장 인기 있고 성공적인 방법 중 일부입니다. 그러나 현재 접근 방식의 실제 적용에는 두 가지 주요 과제가 있습니다: 1) 임베딩 모델은 메모리 뱅크 구조로 인해 금지적으로 많은 계산과 저장 공간이 필요합니다; 2) MAE 메커니즘을 기반으로 하는 재구성 모델은 마스킹되지 않은 영역에서 이상을 감지하지 못합니다. 본 논문에서는 R3D-AD를 제안합니다. 이는 확산 모델을 사용하여 이상한 포인트 클라우드를 재구성하여 정확한 3D 이상 탐지를 수행하는 방법입니다. 우리의 접근 방식은 확산 과정의 데이터 분포 변환을 활용하여 입력의 이상한 기하학적 구조를 완전히 가립니다. 이는 단계적으로 엄격한 포인트 수준 변위 행동을 학습하여 체계적으로 이상한 포인트를 수정합니다. 모델의 일반화를 높이기 위해, 우리는 훈련과 테스트 사이의 도메인 간극을 좁히는 현실적이고 다양한 결함 형태를 생성하기 위한 새로운 3D 이상 시뮬레이션 전략인 Patch-Gen을 제시합니다. 우리의 R3D-AD는 균일한 공간 변환을 보장하여 거리 비교를 통해 쉽게 이상 결과를 생성할 수 있습니다. 광범위한 실험 결과, R3D-AD는 이전 최신 방법들을 능가하며, Real3D-AD 데이터셋에서 이미지 수준 AUROC 73.4%, Anomaly-ShapeNet 데이터셋에서 이미지 수준 AUROC 74.9%를 달성하며 매우 우수한 효율성을 보였습니다.