R3D-AD: Reconstruction via Diffusion for 3D Anomaly Detection

要約

3D 異常検出は、精密製造において局所的な固有欠陥がないか部品を監視する上で重要な役割を果たします。
埋め込みベースおよび再構成ベースのアプローチは、最も人気があり、成功している方法の 1 つです。
しかし、現在のアプローチの実際の適用には 2 つの大きな課題があります。1) 組み込みモデルは、メモリ バンク構造により法外な計算量とストレージに悩まされます。
2) MAE メカニズムに基づく再構成モデ​​ルは、マスクされていない領域の異常を検出できません。
本稿では、拡散モデルにより異常点群を再構成し、正確な3次元異常検出を実現するR3D-ADを提案する。
私たちのアプローチは、拡散プロセスのデータ分布変換を利用して、入力の異常な形状を完全に覆い隠します。
厳密なポイントレベルの変位動作を段階的に学習し、異常なポイントを系統的に修正します。
モデルの一般化を高めるために、現実的で多様な欠陥形状を生成する Patch-Gen という名前の新しい 3D 異常シミュレーション戦略をさらに提示します。これにより、トレーニングとテストの間の領域のギャップが狭まります。
当社の R3D-AD は均一な空間変換を保証し、距離比較によって異常結果を直接生成できます。
広範な実験により、当社の R3D-AD は以前の最先端の方法よりも優れたパフォーマンスを発揮し、Real3D-AD データセットで 73.4% の画像レベル AUROC、Anomaly-ShapeNet データセットで 74.9% の画像レベル AUROC を優れた効率で達成することが示されました。

要約(オリジナル)

3D anomaly detection plays a crucial role in monitoring parts for localized inherent defects in precision manufacturing. Embedding-based and reconstruction-based approaches are among the most popular and successful methods. However, there are two major challenges to the practical application of the current approaches: 1) the embedded models suffer the prohibitive computational and storage due to the memory bank structure; 2) the reconstructive models based on the MAE mechanism fail to detect anomalies in the unmasked regions. In this paper, we propose R3D-AD, reconstructing anomalous point clouds by diffusion model for precise 3D anomaly detection. Our approach capitalizes on the data distribution conversion of the diffusion process to entirely obscure the input’s anomalous geometry. It step-wisely learns a strict point-level displacement behavior, which methodically corrects the aberrant points. To increase the generalization of the model, we further present a novel 3D anomaly simulation strategy named Patch-Gen to generate realistic and diverse defect shapes, which narrows the domain gap between training and testing. Our R3D-AD ensures a uniform spatial transformation, which allows straightforwardly generating anomaly results by distance comparison. Extensive experiments show that our R3D-AD outperforms previous state-of-the-art methods, achieving 73.4% Image-level AUROC on the Real3D-AD dataset and 74.9% Image-level AUROC on the Anomaly-ShapeNet dataset with an exceptional efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google