技術要約: Anomaly Factory 3D (AF3AD)

問題提起

3D点群における欠陥の検出および局在化は、製造上の欠陥を特定するなど、産業用途において極めて重要なタスクである。しかし、このタスクには以下のような大きな課題が存在する：

1. データの希少性: 異常サンプルは稀であり、かつ多様であるため、欠陥データを用いて教師ありモデルを訓練することは非現実的である。
2. 教師なし学習の制約: 現在のアプローチの多くは、正常データのみを用いてモデルを訓練する、教師なし3D異常検知（U3D-AD）に依存している。
3. 疑似異常合成の限界: データの希少性を克服するため、近年の手法では、正常データから「疑似異常」を合成して代理の教師信号を作成している。しかし、既存の合成パイプライン（例：PO3AD、R3D-AD）は、構造的な多様性や複雑性に欠けることが多い。これらは通常、単純な欠陥（例：基本的な膨らみや凹み）を生成するにとどまり、現実世界のシナリオで見られる広範な幾何学的不規則性をカバーできていないため、結果として得られる検出器の堅牢性を制限している。

手法: Anomaly Factory 3D (AF3AD)

著者らは、正常な3D点群から多様な幾何学的疑似異常を合成するために設計されたモジュール式フレームワークであるAF3ADを提案する。特定の検出アーキテクチャに密結合している従来のメソッドとは異なり、AF3ADはスタンドアロンの合成ツールとして機能する。

コアメカニズム

AF3Dは、中心条件付きパラメトリック変形モデルを用いて、正常な点群に局所的なパラメトリック変形を適用する。プロセスは以下の通りである：

1. パッチ選択: ランダムにサンプリングされた中心によって点群をパッチに分割する。
2. 局所フレームの推定: 主成分分析（PCA）を用いて異常の中心における局所的な正規直交フレームを計算し、接方向（$\mathbf{u}, \mathbf{v}$）と法線方向（$\mathbf{n}$）を定義する。
3. 異方性距離の計算: 点を局所座標に変換する。無次元の乗数（$r_u, r_v, r_n$）を用いて異方性距離指標を計算し、非球形の変形を可能にする楕円体支持領域を定義する。
4. 変形場の適用: 各点は、以下の一般的な定式化に従って変位する：
   $$\mathbf{p}'_i = \mathbf{p}_i + s \cdot B \cdot K(t_i) \cdot g_i \cdot \mathbf{d}_i$$
   ここで：
   • $s \in \{+1, -1\}$: 符号（内向きか外向きか）を制御する。
   • $B$: 最大変位量（ベータ分布からサンプリングされる）。
   • $K(t_i)$: 滑らかな遷移を保証する空間減衰カーネル（例：コサイン、ガウス）。
   • $g_i$: 特定の半空間や整列した表面への変形を制限するためのゲーティング関数。
   • $\mathbf{d}_i$: 単位変形方向ベクトル（法線、接線、またはその組み合わせ）。

プリセット・タクソノミー（分類学）

本フレームワークは、広範な幾何学的欠陥を可能にするために、4つのカテゴリにグループ化された11種類の明確な異常プリセットを定義している：

• グループ A (等方的、法線方向): 基本的な膨らみ（bulges）および凹み（dents）。
• グループ B (異方的、法線方向): 伸長した隆起（ridges）、溝（trenches）、および歪んだ衝突クレーター（impact craters）。
• グループ C (多周波数/周期的): 両側性の波紋（ripples）およびマイクロディンプル場（micro-dimple fields）。
• グループ D (接線方向): せん断（shear）、滑り（slip）、および方向性のあるドラッグ/ストレッチ（drag/stretch）異常。

半径、変位率、異方性などのパラメータは、幾何学的な妥当性を確保しつつ多様性を最大化するために、有界な範囲内で確率的にサンプリングされる。

統合

AF3ADは、そのモジュール性を実証するために、2つの異なる検出パラダイムに実装された：

1. オフセット予測検出器: 各点の3Dオフセット（$O_x, O_y, O_z$）を予測するように変更されたPO3ADの改良版。著者らは、多様な方向性の変形をより適切に扱うためにマルチヘッド・アーキテクチャを導入した。
2. 再構成ベースの検出器: R3D-ADの元の「Patch-Gen」モジュールをAF3ADに置き換え、拡散ベースのオートエンコーダのための訓練サンプルを生成するように統合された。

主な貢献

1. モジュール式合成フレームワーク: AF3Dは、疑似異常生成を特定の検出アーキテクチャから切り離した、再利用可能なスタンドアロン・モジュールであり、再構成ベース、メモリバンク、およびオフセット予測手法に適用可能である。
2. 多様な幾何学的プリセット: 本フレームワークは、異方的、方向性、および多周波数の欠陥を含む11種類の幾何学的変形タイプを体系的なタクソノミーとして導入し、従来手法と比較して訓練信号の多様性を大幅に拡大した。
3. 性能向上: オフセット予測検出器と統合された際、AF3ADは標準的なベンチマークにおいて最先端（SOTA）の結果を達成し、多様な合成が直接的に検出性能の向上につながることを示した。

実験結果

本フレームワークは、2つのデータセット、AnomalyShapeNet（合成）およびReal3D-AD（実世界のスキャン）で評価された。

• AnomalyShapeNet: AF3Dは 91.5% O-AUROC（オブジェクトレベル）および 92.5% P-AUROC（ポイントレベル）を達成した。これは、前述の最高手法であるReg2Invに対してO-AUROCで**+5.5ポイント**、PO3ADに対してP-AUROCで**+2.6ポイント**の向上を示している。
• Real3D-AD: AF3Dは 85.2% O-AUROC を達成し、2番目に優れた手法を 7.1ポイント 上回った。
• アブレーション研究:
  • 多様性: すべてのプリセットグループ（A, B, C, D）を組み合わせた場合に最高の性能が得られ、多様なレパートリーが堅牢性に不可欠であることが確認された。
  • ノイズへの堅牢性: 本手法はガウスノイズ（$\sigma \le 0.001$）に対して堅牢であり、より高いノイズレベルにおいてのみ緩やかな性能低下が見られた。
  • 特徴量の整合性: 実証的な分析により、AF3Dによって合成された異常は、Norm-ASのような単純な合成手法と比較して、特徴空間における実際の異常分布により密接に一致していること（より低いMMD、より高いカバレッジ）が示された。
  • アーキテクチャとの相互作用: AF3ADの利点は、十分に表現力の高い予測ヘッド（マルチヘッド、$h=128$）と組み合わされたときに最も顕著であり、これは得られた利得がアーキテクチャの微調整ではなく、合成の多様性に由来することを示している。

意義と限界

論文は、AF3Dが教師なし3D異常検知において、より豊かで現実的な訓練信号を生成するための体系的な方法を提供すると主張している。 「プラグアンドプレイ」モジュールとして機能することで、多様な疑似異常を異なる検出パラダイムに採用することを容易にし、現在の合成手法における欠陥の多様性の不足というボトルネックに対処している。

著者らが認める限界:

• 幾何学的範囲: 合成は滑らかな幾何学的変位に依存している。これにより、膨らみ、凹み、隆起、およびせん断は効果的にカバーできるが、鋭い、あるいは高周波の欠陥（例：亀裂、微細な傷）を近似することしかできず、非幾何学的な欠陥（例：材料の不備や質感の変化）には対処していない。
• 固定されたプリセット: 現在のプリセット構成は固定されており、特定のデータセットに合わせて動的に調整されるものではない。合成された異常が特定のドメインの実際の欠陥分布から大きく逸脱した場合、汎化性能が損なわれる可能性がある。

著者らは、将来の研究として、より豊かな表現を得るための生成モデリングの統合や、複雑な異常を段階的に導入するためのカリキュラム学習戦略の開発などが挙げられるとしている。