用于实例级 3D 异常检测的点云扩散与全局和局部重建

点云中的 3D 异常检测对于高精度工业制造至关重要。基于重建的方法通过比较有缺陷的输入与其重建的正常对应项来检测 3D 异常，从而奠定了坚实的基础。然而，现有方法仍然面临两个挑战：1）前景弱缺陷区域（例如划痕）难以重建和检测，其中归一化点云的异常偏差可以小至$10^{-3}$； 2）背景无缺陷区域在重建时容易出现位置偏差，从而导致误报。为了应对这些挑战，我们提出了 \textbf{PCDiff}，一个用于实例级 3D 异常生成和检测的点云扩散框架。在生成阶段，实例级多模态注意力被嵌入到生成框架中，其中异常以纹理梯度、图像块、文本和掩模为条件。实例级条件能够高质量生成弱缺陷异常。在检测阶段，引入局部-全局联合重建算法来确保局部异常恢复和全局几何一致性，在恢复前景缺陷的同时保留背景正常结构。大量实验表明，所提出的 PCDiff 在 3D 异常生成保真度和重建质量方面均显着优于最先进的方法，从而显着提高了异常检测精度。