Résumé Technique : Anomaly Factory 3D (AF3AD)

Énoncé du Problème

La détection et la localisation de défauts dans les nuages de points 3D est une tâche critique pour les applications industrielles, telles que l'identification de défauts de fabrication. Cependant, cette tâche se heurte à des défis importants :

1. Rareté des données : Les échantillons anormaux sont rares et diversifiés, ce qui rend impraticable l'entraînement de modèles supervisés sur des données défectueuses.
2. Contraintes de l'apprentissage non supervisé : La plupart des approches actuelles reposent sur la détection d'anomalies 3D non supervisée (U3D-AD), où les modèles sont entraînés exclusivement sur des données normales.
3. Limites de la synthèse de pseudo-anomalies : Pour surmonter la rareté des données, des méthodes récentes synthétisent des « pseudo-anomalies » à partir de données normales afin de créer une supervision de substitution. Cependant, les pipelines de synthèse existants (par exemple, dans PO3AD, R3D-AD) manquent souvent de diversité structurelle et de complexité. Ils génèrent généralement des défauts simples (par exemple, des renflements ou des creux basiques) qui peuvent ne pas couvrir toute la gamme des irrégularités géométriques rencontrées dans les scénarios réels, limitant ainsi la robustesse des détecteurs qui en résultent.

Méthodologie : Anomaly Factory 3D (AF3AD)

Les auteurs proposent AF3AD, un cadre modulaire conçu pour synthétiser un ensemble diversifié de pseudo-anomalies géométriques à partir de nuages de points 3D normaux. Contra-rencement aux méthodes précédentes étroitement couplées à des architectures de détection spécifiques, AF3AD fonctionne comme un outil de synthèse autonome.

Mécanisme Central

AF3AD applique des déformations paramétriques localisées aux nuages de points normaux en utilisant un modèle de déformation paramétrique conditionné par le centre. Le processus comprend :

1. Sélection de Patchs : Le nuage de points est partitionné en patchs en échantillonnant des centres aléatoires.
2. Estimation du Repère Local : Un repère orthonormé local est calculé au centre de l'anomalie via l'Analyse en Composantes Principales (PCA), définissant les directions tangentes ($\mathbf{u}, \mathbf{v}$) et la direction normale ($\mathbf{n}$).
3. Calcul de Distance Anisotrope : Les points sont transformés en coordonnées locales. Une métrique de distance anisotrope est calculée en utilisant des multiplicateurs sans dimension ($r_u, r_v, r_n$) pour définir des régions de support ellipsoïdales, permettant des déformations non sphériques.
4. Application du Champ de Déformation : Chaque point est déplacé selon une formulation générale :
   $$\mathbf{p}'_i = \mathbf{p}_i + s \cdot B \cdot K(t_i) \cdot g_i \cdot \mathbf{d}_i$$
   Où :
   • $s \in \{+1, -1\}$ : Contrôle le signe (entrant vs sortant).
   • $B$ : Magnitude maximale du déplacement (échantillonnée à partir d'une distribution Beta).
   • $K(t_i)$ : Un noyau de décroissance spatiale (par exemple, cosinus, Gaussien) assurant des transitions fluides.
   • $g_i$ : Une fonction de porte (gating) pour restreindre la déformation à des demi-espaces spécifiques ou à des surfaces alignées.
   • $\mathbf{d}_i$ : Le vecteur unitaire de direction de déformation (normal, tangentiel, ou une combinaison).

Taxonomie des Préréglages (Presets)

Le cadre définit un répertoire de 11 types de préréglages d'anomalies distincts regroupés en quatre catégories, permettant un large spectre de défauts géométriques :

• Groupe A (Isotrope, direction normale) : Renflements et creux basiques.
• Groupe B (Anisotrope, direction normale) : Crêtes allongées, tranchées et cratères d'impact asymétriques.
• Groupe C (Multi-fréquence/Périodique) : Ondulations bilatérales et champs de micro-dimples.
• Groupe D (Direction tangentielle) : Anomalies de cisaillement, de glissement et de traction/étirement directionnel.
  Des paramètres tels que le rayon, le taux de déplacement et l'anisotropie sont échantillonnés de manière stochastique dans des plages bornées pour garantir la plausibilité géométrique tout en maximisant la diversité.

Intégration

AF3AD a été instancié avec deux paradigmes de détection distincts pour démontrer sa modularité :

1. Détecteur de Prédiction d'Offset : Une version modifiée de PO3AD où le modèle prédit des offsets 3D ($O_x, O_y, O_z$) pour chaque point. Les auteurs ont introduit une architecture multi-tête pour mieux gérer les déformations directionnelles diverses.
2. Détecteur Basé sur la Reconstruction : Intégré à R3D-AD, remplaçant son module original « Patch-Gen » par AF3AD pour générer des échantillons d'entraînement pour un auto-encodeur basé sur la diffusion.

Contributions Clés

1. Cadre de Synthèse Modulaire : AF3D est un module autonome et réutilisable qui découple la génération de pseudo-anomalies des architectures de détection spécifiques, permettant son application aux méthodes de reconstruction, de banque de mémoire et de prédiction d'offset.
2. Préréglages Géométriques Diversifiés : Le cadre introduit une taxonomie systématique de 11 types de déformations géométriques, incluant des défauts anisotropes, directionnels et multi-fréquences, élargissant considérablement la variété des signaux d'entraînement par rapport à l'état de l'art.
3. Amélioration des Performances : Lorsqu'il est intégré à un détecteur de prédiction d'offset, AF3AD atteint des résultats de pointe sur les benchmarks standards, démontrant qu'une synthèse diversifiée se traduit directement par une meilleure performance de détection.

Résultats Expérimentaux

Le cadre a été évalué sur deux jeux de données : AnomalyShapeNet (synthétique) et Real3D-AD (scans réels).

• AnomalyShapeNet : AF3AD a atteint 91,5 % d'O-AUROC (niveau objet) et 92,5 % de P-AUROC (niveau point). Cela représente une amélioration de +5,5 points par rapport à la meilleure méthode précédente (Reg2Inv) en O-AUROC et de +2,6 points par rapport à PO3AD en P-AUROC.
• Real3D-AD : AF3AD a atteint 85,2 % d'O-AUROC, surpassant la deuxième meilleure approche de 7,1 points.
• Études d'Ablation :
  • Diversité : La combinaison de tous les groupes de préréglages (A, B, C, D) a produit la meilleure performance, confirmant qu'un répertoire diversifié est crucial pour la robustesse.
  • Robustesse au Bruit : La méthode est restée robuste sous un bruit gaussien ($\sigma \le 0,001$), avec une dégradation progressive des performances uniquement à des niveaux de bruit plus élevés.
  • Alignement des Caractéristiques : L'analyse empirique a montré que les anomalies synthétisées par AF3AD s'alignent plus étroitement avec les distributions d'anomalies réelles dans l'espace des caractéristiques (MMD plus faible, couverture plus élevée) par rapport aux méthodes de synthèse plus simples comme Norm-AS.
  • Interaction avec l'Architecture : Les bénéfices d'AF3AD étaient plus prononcés lorsqu'ils étaient couplés à une tête de prédiction suffisamment expressive (multi-tête, $h=128$), indiquant que les gains proviennent de la diversité de la synthèse plutôt que de simples ajustements architecturaux.

Signification et Limites

L'article affirme qu'AF3AD fournit un moyen systématique de générer des signaux d'entraînement plus riches et plus réalistes pour la détection d'anomalies 3D non supervisée. En agissant comme un module « plug-and-play », il facilite l'adoption de pseudo-anomalies diversifiées à travers différents paradigmes de détection, répondant ainsi au goulot d'étranglement de la diversité limitée des défauts dans les méthodes de synthèse actuelles.

Limites reconnues par les auteurs :

• Portée Géométrique : La synthèse repose sur des déplacements géométriques lisses. Bien qu'elle couvre efficacement les renflements, les creux, les crêtes et le cisaillement, elle n'approche que partiellement les défauts aigus ou à haute fréquence (ex: fissures, rayures fines) et ne traite pas les défauts non géométriques (ex: défauts de matériau ou changements de texture).
• Préréglages Fixes : Les configurations de préréglages actuelles sont fixes et ne sont pas adaptées dynamiquement à des jeux de données spécifiques. Si les anomalies synthétisées divergent considérablement de la distribution réelle des défauts d'un domaine spécifique, la généralisation peut en pâtir.

Les auteurs suggèrent que les travaux futurs pourraient impliquer l'intégration de la modélisation générative pour des représentations plus riches et le développement de stratégies d'apprentissage par curriculum pour introduire progressivement des anomalies plus complexes.