Breaking the Rigid Prior: Towards Articulated 3D Anomaly Detection

1. Définition du Problème

Le papier traite d'un écart critique dans la Détection d'Anomalies 3D (3D-AD) : l'échec des méthodes existantes à gérer les objets articulés (objets avec des pièces mobiles comme des charnières, des tiroirs ou des joints coulissants).

• Le Prior Rigide : Les méthodes 3D-AD actuelles les plus avancées reposent sur un « prior rigide », supposant que la géométrie normale est invariante à la pose. Elles tentent d'enregistrer tous les échantillons d'une catégorie sur un seul modèle canonique. Toute déviation géométrique par rapport à ce modèle est signalée comme une anomalie.
• Le Mode de Défaillance : Pour les objets articulés (par exemple, une porte, un couteau pliant, un ordinateur portable), les changements de pose valides (ouvrir une porte) induisent des variations géométriques significatives et structurées.
  • Faux Positifs : Le prior rigide interprète à tort l'articulation normale (par exemple, une porte ouverte) comme un défaut structurel.
  • Faux Négatifs : Les défauts structurels réels sur les pièces mobiles peuvent être masqués ou « corrigés » par le processus d'enregistrement, entraînant des détections manquées.
• Le Défi : La difficulté fondamentale réside dans le démêlage des variations géométriques induites par la pose (déformation cinématique) et des défauts structurels réels (anomalies), sans connaissance préalable de la pose spécifique au moment de l'inférence.

2. Méthodologie

A. Le Benchmark ArtiAD

Pour pallier le manque de données, les auteurs introduisent ArtiAD, le premier benchmark à grande échelle pour la détection d'anomalies 3D articulées.

• Échelle et Diversité : Contient 15 229 nuages de points répartis sur 39 catégories d'objets (par exemple, portes, ordinateurs portables, ciseaux, injecteurs).
• Anatomie : Couvre à la fois les mécanismes à charnière (rotationnels) et prismatiques (coulissants).
• Annotations :
  • Variations de Pose Denses : Les échantillons couvrent des plages continues d'angles d'articulation.
  • Types d'Anomalies : Six types d'anomalies structurelles par catégorie (bosses, renflements, fractures, plis, distorsion de surface, matériau manquant).
  • Étiquettes : Chaque échantillon inclut la configuration de l'articulation ($\psi$), des étiquettes de mouvement au niveau des parties et des masques d'anomalie au niveau des points.
• Découpages : Introduit un découpage Vu/Non Vu pour l'articulation afin d'évaluer l'interpolation (dans la plage d'entraînement) et l'extrapolation (états d'articulation nouveaux), une caractéristique absente des benchmarks précédents.

B. Méthode Proposée : SPA-SDF

Les auteurs proposent le Champ de Distance Signée Sensible à la Forme et à la Pose (SPA-SDF), une ligne de base qui remplace le prior rigide par une variété implicite continue conditionnée par la pose.

• Concept Central : Au lieu d'apprendre une forme canonique unique, SPA-SDF apprend une fonction $f(x; \phi, \psi)$ qui prédit le Champ de Distance Signée (SDF) conditionné par :
  1. $\phi$ (Code Latent de Forme) : Un code au niveau de la catégorie capturant les priors structurels indépendants de l'articulation.
  2. $\psi$ (Paramètres d'Articulation) : La configuration de l'articulation (par exemple, l'angle $\theta$ ou le déplacement $d$).
• Architecture :
  • Représentation Factorisée : Le modèle sépare la forme structurelle de la pose.
  • Encodage de Fourier : Les paramètres d'articulation sont encodés à l'aide de caractéristiques de Fourier multi-fréquences ($\gamma(\psi)$) pour capturer des variations géométriques fines à travers l'espace d'articulation sans surapprentissage.
  • Réseau en Deux Étapes :
    1. Réseau d'Embedding de Forme ($f_s$) : Encode les coordonnées spatiales et le code latent de forme dans un embedding sensible à la structure.
    2. Décodeur Sensible à l'Articulation ($f_a$) : Fusionne l'embedding de forme avec l'encodage de pose pour prédire le SDF.
• Objectif d'Entraînement : Entraîné uniquement sur des échantillons normaux. La perte combine l'erreur de reconstruction du SDF, la régularisation latente et une perte de classification auxiliaire sensible aux parties pour assurer la cohérence géométrique à travers les états d'articulation.
• Stratégie d'Inférence :
  1. Estimation de l'Articulation : Puisque la pose $\psi$ est inconnue au moment du test, elle est récupérée en minimisant l'énergie de reconstruction (magnitude du SDF) sur l'espace d'articulation : $\psi^* = \arg\min_\psi \sum |f(x_i; \phi, \psi)|$.
  2. Score d'Anomalie : Les anomalies sont identifiées comme des déviations point par point par rapport à la variété apprise à la pose estimée $\psi^*$. Des valeurs SDF élevées indiquent des défauts structurels qui ne peuvent pas être expliqués par la variation de pose seule.

3. Contributions Clés

1. Identification du Problème : Caractérise formellement le « prior rigide » comme un obstacle fondamental pour la 3D-AD articulée et démontre pourquoi les méthodes existantes basées sur l'enregistrement échouent.
2. Benchmark ArtiAD : Fournit le premier jeu de données à grande échelle avec des variations de pose denses, des annotations explicites d'articulations et un découpage Vu/Non Vu principiel, permettant une évaluation rigoureuse de la généralisation de la pose.
3. Modèle SPA-SDF : Propose une représentation implicite novatrice qui factorise la forme et la pose, démêlant efficacement la déformation cinématique des défauts structurels.
4. Validation Empirique : Démontre que briser le prior rigide conduit à des gains de performance significatifs, en particulier dans les scénarios d'extrapolation.

4. Résultats Expérimentaux

Les auteurs ont évalué SPA-SDF par rapport à 8 lignes de base (incluant M3DM, PatchCore, Reg3D-AD et PO3AD) sur le jeu de données ArtiAD.

• Performance :
  • Configurations Vues : SPA-SDF a atteint un 0,884 AUROC au niveau objet, surpassant nettement la meilleure ligne de base (M3DM Point-MAE à 0,878).
  • Configurations Non Vues : SPA-SDF a atteint un 0,874 AUROC au niveau objet, maintenant des performances élevées sur les états d'articulation nouveaux.
  • Échec des Lignes de Base : Les méthodes basées sur la rigidité (par exemple, BTF, PatchCore) ont performé près du hasard (0,54–0,64 Obj-AUROC) car elles ne pouvaient pas distinguer entre l'ouverture d'une porte et une porte cassée.
• Études d'Ablation :
  • La suppression de la condition de pose (A0) a fait chuter la performance de manière significative (de 0,884 à ~0,63), confirmant la nécessité de modéliser l'articulation.
  • L'encodage de Fourier des paramètres de pose était crucial pour la généralisation à des angles non vus.
• Analyse Qualitative : Les visualisations montrent que SPA-SDF produit des cartes d'anomalies précises et spatialement cohérentes, tandis que les lignes de base manquent soit des défauts, soit signalent des pièces mobiles entières comme anormales en raison des changements de pose.

5. Importance

• Changement de Paradigme : Ce travail remet en question l'hypothèse de longue date en détection d'anomalies 3D selon laquelle les objets doivent être rigides. Il établit que pour les objets industriels et quotidiens réels (qui sont souvent articulés), la détection d'anomalies doit être sensible à la pose.
• Généralisation : La capacité à extrapoler vers des états d'articulation non vus (découpage Non Vu) est une avancée majeure, dépassant la simple interpolation dans une plage de pose fixe.
• Direction Future : Le papier établit une nouvelle norme pour les systèmes d'inspection 3D, suggérant que les méthodes futures devraient inférer conjointement la structure d'articulation et détecter les défauts plutôt que de traiter l'estimation de pose comme une étape de prétraitement séparée. La publication du benchmark ArtiAD et du code facilitera de futures recherches sur la détection d'anomalies 3D non rigide.