3D-PNAS: 3D Industrial Surface Anomaly Synthesis with Perlin Noise
作者: Yifeng Cheng, Juan Du
分类: cs.GR, cs.AI, cs.CV, cs.LG, cs.RO
发布日期: 2025-04-17
💡 一句话要点
提出基于Perlin噪声的3D工业表面缺陷合成方法3D-PNAS，用于解决工业缺陷检测中3D数据匮乏问题。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 3D缺陷生成 Perlin噪声 工业表面检测 点云处理 异常合成
📋 核心要点
- 工业异常检测依赖大量缺陷样本，但实际中缺陷数据稀缺，限制了预训练模型在3D工业质检中的应用。
- 提出3D-PNAS方法，利用Perlin噪声和表面参数化，生成逼真的3D表面缺陷，有效扩充缺陷数据集。
- 实验表明，该方法能生成多样且几何合理的缺陷，关键参数可控，且具有跨类别适应性。
📝 摘要（中文）
大型预训练视觉基础模型在各种视觉任务中展现出巨大潜力。然而，对于工业异常检测而言，真实缺陷样本的稀缺性对利用这些模型构成了严峻挑战。虽然2D异常生成已随着成熟的生成模型而显著发展，但3D传感器在工业制造中的采用使得利用3D数据进行表面质量检测成为一种新兴趋势。与2D技术相比，3D异常生成在很大程度上仍未被探索，限制了3D数据在工业质量检测中的潜力。为了解决这一差距，我们提出了一种新颖而简单的3D异常生成方法3D-PNAS，该方法基于Perlin噪声和表面参数化。我们的方法通过将点云投影到2D平面上，从Perlin噪声场中采样多尺度噪声值，并沿其法线方向扰动点云来生成逼真的3D表面异常。通过全面的可视化实验，我们展示了噪声尺度、扰动强度和八度等关键参数如何对生成的异常进行细粒度控制，从而能够创建从明显的变形到细微的表面变化的各种缺陷模式。此外，我们的跨类别实验表明，该方法在不同的对象类型中产生一致但几何上合理的异常，适应其特定的表面特征。我们还提供了一个全面的代码库和可视化工具包，以促进未来的研究。
🔬 方法详解
问题定义：论文旨在解决工业表面缺陷检测中，缺乏足够3D缺陷样本的问题。现有方法在2D图像上的缺陷生成已经比较成熟，但针对3D点云的缺陷生成方法还比较少，无法充分利用3D传感器采集的数据进行质量检测。
核心思路：论文的核心思路是利用Perlin噪声来模拟各种类型的表面缺陷。Perlin噪声具有连续性和可控性，可以通过调整参数来生成不同尺度和强度的噪声，从而模拟不同类型的缺陷。通过将Perlin噪声应用到3D点云的表面，可以生成逼真的3D表面缺陷。
技术框架：3D-PNAS方法的整体流程如下：1. 将3D点云投影到2D平面上，得到UV参数化；2. 在2D UV空间中，使用Perlin噪声生成多尺度噪声场；3. 根据噪声场的值，沿点云的法线方向对点云进行扰动，从而生成缺陷。
关键创新：该方法的主要创新在于将Perlin噪声引入到3D表面缺陷生成中。与传统的基于规则或简单几何变换的缺陷生成方法相比，该方法可以生成更加逼真和多样的缺陷，并且可以通过调整Perlin噪声的参数来控制缺陷的形状和大小。
关键设计：关键参数包括：1. 噪声尺度（noise scale）：控制噪声的频率，决定了缺陷的粗细程度；2. 扰动强度（perturbation strength）：控制噪声对点云的扰动幅度，决定了缺陷的深度；3. 八度（octaves）：控制多尺度噪声的层数，决定了缺陷的细节程度。这些参数可以根据具体的应用场景进行调整，以生成符合要求的缺陷。
🖼️ 关键图片
📊 实验亮点
论文通过可视化实验验证了3D-PNAS方法的有效性。实验结果表明，通过调整噪声尺度、扰动强度和八度等参数，可以生成各种类型的缺陷，包括明显的变形和细微的表面变化。跨类别实验表明，该方法可以适应不同类型的对象，生成几何上合理的缺陷。
🎯 应用场景
该研究成果可应用于工业制造中的表面质量检测，通过生成大量带缺陷的3D数据，可以训练深度学习模型，提高模型对各种缺陷的识别能力。此外，该方法还可以用于生成合成数据，用于评估和比较不同的缺陷检测算法。未来，该方法可以扩展到其他类型的3D数据，例如CAD模型和体数据。
📄 摘要（原文）
Large pretrained vision foundation models have shown significant potential in various vision tasks. However, for industrial anomaly detection, the scarcity of real defect samples poses a critical challenge in leveraging these models. While 2D anomaly generation has significantly advanced with established generative models, the adoption of 3D sensors in industrial manufacturing has made leveraging 3D data for surface quality inspection an emerging trend. In contrast to 2D techniques, 3D anomaly generation remains largely unexplored, limiting the potential of 3D data in industrial quality inspection. To address this gap, we propose a novel yet simple 3D anomaly generation method, 3D-PNAS, based on Perlin noise and surface parameterization. Our method generates realistic 3D surface anomalies by projecting the point cloud onto a 2D plane, sampling multi-scale noise values from a Perlin noise field, and perturbing the point cloud along its normal direction. Through comprehensive visualization experiments, we demonstrate how key parameters - including noise scale, perturbation strength, and octaves, provide fine-grained control over the generated anomalies, enabling the creation of diverse defect patterns from pronounced deformations to subtle surface variations. Additionally, our cross-category experiments show that the method produces consistent yet geometrically plausible anomalies across different object types, adapting to their specific surface characteristics. We also provide a comprehensive codebase and visualization toolkit to facilitate future research.