Technische Samenvatting: Anomaly Factory 3D (AF3AD)

Probleemstelling

Het detecteren en lokaliseren van defecten in 3D-puntenwolken is een cruciale taak voor industriële toepassingen, zoals het identificeren van fabricagefouten. Deze taak staat echter voor aanzienlijke uitdagingen:

1. Data-schaarste: Abnormale monsters zijn zeldzaam en divers, waardoor het onpraktisch is om gesuperviseerde modellen te trainen op defecte data.
2. Ongesuperviseerde beperkingen: De meeste huidige benaderingen vertrouwen op Unsupervised 3D Anomaly Detection (U3DAD), waarbij modellen uitsluitend worden getraind op normale data.
3. Beperkingen van Pseudo-anomalie Synthese: Om data-schaarste te overwinnen, synthetiseren recente methoden "pseudo-anomalieën" uit normale data om een surrogaat-supervisie te creëren. Echter, bestaande synthese-pipelines (bijv. in PO3AD, R3D-AD) missen vaak structurele diversiteit en complexiteit. Ze genereren doorgaans eenvoudige defecten (bijv. basisuitstulpingen of deuken) die mogelijk niet het volledige bereik van geometrische onregelmatigheden dekken die in realistische scenario's worden aangetroffen, wat de robuustheid van de resulterende detectoren beperkt.

Methodologie: Anomaly Factory 3D (AF3AD)

De auteurs stellen AF3AD voor, een modulair framework ontworpen om een diverse set geometrische pseudo-anomalieën te synthetiseren uit normale 3D-puntenwolken. In tegenstelling tot eerdere methoden die nauw gekoppeld zijn aan specifieke detectiearchitecturen, werkt AF3AD als een zelfstandige synthesetool.

Kernmechanisme

AF3AD past gelokaliseerde, parametrische deformaties toe op normale puntenwolken met behulp van een center-conditioned parametrisch deformatiemodel. Het proces omvat:

1. Patch Selectie: De puntenwolk wordt in patches verdeeld door willekeurige centra te samplen.
2. Lokale Frame Schatting: Een lokaal orthonormaal frame wordt berekend op het anomaliecentrum met behulp van Principal Component Analysis (PCA), wat tangentiële richtingen ($\mathbf{u}, \mathbf{v}$) en de normale richting ($\mathbf{n}$) definieert.
3. Anisotrope Afstandsberekening: Punten worden getransformeerd naar lokale coördinaten. Een anisotrope afstandsmetriek wordt berekend met behulp van dimensieloze multipliers ($r_u, r_v, r_n$) om ellipsoïdale ondersteuningsregio's te definiëren, wat niet-sferische deformaties mogelijk maakt.
4. Toepassing van het Deformatieveld: Elk punt wordt verplaatst volgens een algemene formulering:
   $$\mathbf{p}'_i = \mathbf{p}_i + s \cdot B \cdot K(t_i) \cdot g_i \cdot \mathbf{d}_i$$
   Waar:
   • $s \in \{+1, -1\}$: Controleert het teken (naar binnen versus naar buiten).
   • $B$: Maximale verplaatsingsgrootte (gesampled uit een Beta-distributie).
   • $K(t_i)$: Een ruimtelijke falloff-kernel (bijv. cosinus, Gaussisch) die zorgt voor vloeiende overgangen.
   • $g_i$: Een gating-functie om deformatie te beperken tot specifieke half-ruimtes of uitgelijnde oppervlakken.
   • $\mathbf{d}_i$: De eenheidsverplaatsingsrichtingvector (normaal, tangentieel, of een combinatie).

Preset Taxonomie

Het framework definieert een repertoire van 11 verschillende anomalie-presets gegroepeerd in vier categorieën, wat een breed spectrum aan geometrische defecten mogelijk maakt:

• Groep A (Isotroop, Normaal-richting): Basisuitstulpingen en deuken.
• Groep B (Anisotroop, Normaal-richting): Verlengde ruggen, geulen en scheve inslagkraters.
• Groep C (Multi-frequentie/Periodiek): Dubbelzijdige rimpelingen en micro-dimpelvelden.
• Groep D (Tangentieel-richting): Schuif-, slip- en directionele sleep-/rek-anomalieën.

Parameters zoals straal, deformatiesnelheid en anisotropie worden stochastisch gesampled binnen begrensde bereiken om geometrische plausibiliteit te garanderen terwijl de diversiteit wordt gemaximaliseerd.

Integratie

AF3AD werd geïnstantieerd met twee verschillende detectieparadigma's om modulariteit te demonstreren:

1. Offset-Prediction Detector: Een gemodificeerde versie van PO3AD waarbij het model 3D-offsets ($O_x, O_y, O_z$) voor elk punt voorspelt. De auteurs introduceerden een multi-head architectuur om de diverse directionele deformaties beter te kunnen afhandelen.
2. Reconstructie-gebaseerde Detector: Geïntegreerd met R3D-AD, waarbij de oorspronkelijke "Patch-Gen" module is vervangen door AF3AD om trainingsvoorbeelden te genereren voor een diffusie-gebaseerde autoencoder.

Belangrijkste Bijdragen

1. Modulair Synthese-framework: AF3D is een zelfstandige, herbruikbare module die de generatie van pseudo-anomalieën loskoppelt van specifieke detectiearchitecturen, waardoor het kan worden toegepast op reconstructie-gebaseerde, memory-bank en offset-predictie methoden.
2. Diverse Geometrische Presets: Het framework introduceert een systematische taxonomie van 11 geometrische deformatie types, inclusief anisotrope, directionele en multi-frequentie defecten, wat de variëteit van de trainingssignalen aanzienlijk vergroot vergeleken met eerdere werken.
3. Prestatieverbeteringen: Wanneer geïntegreerd met een offset-predictie detector, bereikt AF3AD state-of-the-art resultaten op standaard benchmarks, wat aantoont dat diverse synthese direct leidt tot betere detectieprestaties.

Experimentele Resultaten

Het framework werd geëvalueerd op twee datasets: AnomalyShapeNet (synthetisch) en Real3D-AD (real-world scans).

• AnomalyShapeNet: AF3AD behaalde 91,5% O-AUROC (objectniveau) en 92,5% P-AUROC (puntniveau). Dit is een verbetering van +5,5 punt ten opzichte van de vorige beste methode (Reg2Inv) in O-AUROC en een verbetering van +2,6 punt ten opzichte van PO3AD in P-AUROC.
• Real3D-AD: AF3DF behaalde 85,2% O-AUROC, waarmee het de op één na beste benadering met 7,1 punten versloeg.
• Ablatie-studies:
  • Diversiteit: Het combineren van alle preset-groepen (A, B, C, D) leverde de beste prestaties op, wat bevestigt dat een divers repertoire cruciaal is voor robuustheid.
  • Ruis-robuustheid: De methode bleef robuust onder Gaussische ruis ($\sigma \le 0,001$), met slechts een geleidelijke prestatievermindering bij hogere ruisniveaus.
  • Feature Alignment: Empirische analyse toonde aan dat door AF3AD gesynthetiseerde anomalieën dichter bij de echte anomalie-distributies liggen in de feature-ruimte (lagere MMD, hogere dekking) vergeleken met eenvoudigere synthesemethoden zoals Norm-AS.
  • Architectuur Interactie: De voordelen van AF3AD waren het meest uitgesproken wanneer het werd gekoppeld aan een voldoende expressieve predictie-head (multi-head, $h=128$), wat aangeeft dat de winst voortkomt uit de synthese-diversiteit in plaats van enkel architecturale aanpassingen.

Betekenis en Beperkingen

Het artikel beweert dat AF3AD een systematische manier biedt om rijkere, meer realistische trainingssignalen te genereren voor unsupervised 3D anomaly detection. Door te fungeren als een "plug-and-play" module, faciliteert het de adoptie van diverse pseudo-anomalieën over verschillende detectieparadigma's heen, waarmee de bottleneck van beperkte defect-diversiteit in huidige synthesemethoden wordt aangepakt.

Door de auteurs erkende beperkingen:

• Geometrische Reikwijdte: De synthese vertrouwt op gladde geometrische verplaatsingen. Hoewel het uitstulpingen, deuken, ruggen en schuivingen effectief dekt, benadert het slechts scherpe of hoogfrequente defecten (bijv. scheuren, fijne krassen) en adresseert het geen niet-geometrische defecten (bijv. materiaalfouten of textuurveranderingen).
• Vaste Presets: De huidige preset-configuraties zijn vast en niet dynamisch afgestemd op specifieke datasets. Als de gesynthetiseerde anomalieën significant afwijken van de echte defect-distributie van een specifere domein, kan de generalisatie lijden.

De auteurs suggereren dat toekomstig werk het integreren van generatieve modellering voor rijkere representaties en het ontwikkelen van curriculum learning strategieën kan omzetten om complexe anomalieën progressief te introduceren.