인스턴스 레벨의 3차원 이상 감지를 위한 글로벌 및 로컬 재구성을 갖춘 포인트 클라우드 디퓨전

Point Cloud Diffusion with Global and Local Reconstruction for Instance-Level 3D Anomaly Detection

포인트 클라우드에서의 3차원 이상 감지는 고정밀 산업 제조에 매우 중요합니다. 재구성 기반 방법은 결함이 있는 입력과 재구성된 정상 상태의 데이터 간의 비교를 통해 3차원 이상을 감지함으로써 강력한 토대를 마련했습니다. 그러나 기존 방법은 여전히 두 가지 문제점을 가지고 있습니다. 첫째, 흠집과 같은 전경 영역의 미세한 결함 부분은 재구성이 어렵고 탐지가 어려우며, 정규화된 포인트 클라우드에서 이상 편차는 $10^{-3}$ 정도로 작을 수 있습니다. 둘째, 배경 영역의 정상 부위는 재구성 과정에서 위치적 편향이 발생하여 오탐지를 유발할 수 있습니다. 이러한 문제점을 해결하기 위해, 본 논문에서는 인스턴스 레벨의 3차원 이상 생성 및 감지를 위한 포인트 클라우드 디퓨전 프레임워크인 extbf{PCDiff}를 제안합니다. 생성 단계에서, 인스턴스 레벨의 다중 모드 어텐션을 생성 프레임워크에 내장하여 질감 기울기, 이미지 패치, 텍스트 및 마스크를 통해 이상을 조건부로 설정합니다. 이러한 인스턴스 레벨 조건을 통해 미세한 결함을 가진 고품질의 이상 데이터를 생성할 수 있습니다. 탐지 단계에서는 로컬 이상 복원과 글로벌 기하학적 일관성을 보장하기 위한 공동 로컬-글로벌 재구성 알고리즘을 도입하여 배경 영역의 정상 구조를 유지하면서 전경 영역의 결함을 복원합니다. 광범위한 실험 결과, 제안하는 PCDiff는 3차원 이상 생성의 충실도와 재구성 품질 측면에서 최첨단 방법보다 훨씬 우수한 성능을 보이며, 이를 통해 이상 감지 정확도가 크게 향상됨을 입증했습니다.

3D anomaly detection in point clouds is critical for high-precision industrial manufacturing. Reconstruction-based methods have laid a strong foundation by detecting 3D anomalies through comparisons between defective inputs and their reconstructed normal counterparts. However, existing methods still suffer from two challenges: 1) the foreground weak defective regions such as scratches are hard to reconstruct and detect, where the anomaly deviations in normalized point clouds can be as small as $10^{-3}$; 2) the background non-defective regions are prone to get positional bias in reconstruction, which leads to false positives. To address these challenges, we propose \textbf{PCDiff}, a point cloud diffusion framework for instance-level 3D anomaly generation and detection. In the generation phase, an instance-level multi-modal attention is embedded into the generation framework, where anomalies are conditioned with texture gradient, image patch, text and mask. The instance-level condition enables the high-quality generation of weak-defective anomalies. In the detection phase, a joint local-global reconstruction algorithm is introduced to ensure local anomaly restoration and global geometric consistency, which preserves background normal structure while restoring the foreground defect. Extensive experiments demonstrate that the proposed PCDiff significantly outperforms state-of-the-art methods in both 3D anomaly generation fidelity and reconstruction quality, leading to substantial improvements in anomaly detection accuracy.