3D-PNAS: 3D Industrial Surface Anomaly Synthesis with Perlin Noise

要約

大規模な前提型ビジョンファンデーションモデルは、さまざまなビジョンタスクで重大な可能性を示しています。
ただし、産業用の異常検出の場合、実際の欠陥サンプルの希少性は、これらのモデルを活用する上で重大な課題をもたらします。
2D異常生成は確立された生成モデルで大幅に進歩しましたが、工業製造における3Dセンサーの採用により、表面品質検査のための3Dデータが新たな傾向になりました。
2D技術とは対照的に、3D異常生成はほとんど未踏のままであり、産業品質検査における3Dデータの可能性を制限しています。
このギャップに対処するために、Perlinノイズと表面パラメーター化に基づいて、斬新でシンプルな3D異常生成法3D-PNAを提案します。
私たちの方法は、ポイントクラウドを2D平面に投影し、Perlinノイズフィールドからマルチスケールノイズ値をサンプリングし、通常の方向に沿ってポイントクラウドを摂動することにより、現実的な3D表面異常を生成します。
包括的な視覚化実験を通じて、ノイズスケール、摂動強度、オクターブなどの重要なパラメーターが、生成された異常を細かく制御する方法を示し、発音された変形から微妙な表面変動までの多様な欠陥パターンの作成を可能にします。
さらに、我々のクロスカテゴリ実験は、この方法が、特定の表面特性に適応して、異なるオブジェクトタイプにわたって一貫した幾何学的にもっともらしい異常を生成することを示しています。
また、将来の研究を促進するために、包括的なコードベースと視覚化ツールキットも提供しています。

要約(オリジナル)

Large pretrained vision foundation models have shown significant potential in various vision tasks. However, for industrial anomaly detection, the scarcity of real defect samples poses a critical challenge in leveraging these models. While 2D anomaly generation has significantly advanced with established generative models, the adoption of 3D sensors in industrial manufacturing has made leveraging 3D data for surface quality inspection an emerging trend. In contrast to 2D techniques, 3D anomaly generation remains largely unexplored, limiting the potential of 3D data in industrial quality inspection. To address this gap, we propose a novel yet simple 3D anomaly generation method, 3D-PNAS, based on Perlin noise and surface parameterization. Our method generates realistic 3D surface anomalies by projecting the point cloud onto a 2D plane, sampling multi-scale noise values from a Perlin noise field, and perturbing the point cloud along its normal direction. Through comprehensive visualization experiments, we demonstrate how key parameters – including noise scale, perturbation strength, and octaves, provide fine-grained control over the generated anomalies, enabling the creation of diverse defect patterns from pronounced deformations to subtle surface variations. Additionally, our cross-category experiments show that the method produces consistent yet geometrically plausible anomalies across different object types, adapting to their specific surface characteristics. We also provide a comprehensive codebase and visualization toolkit to facilitate future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google