اكتشاف الشذوذ ثلاثي الأبعاد بخطوات بسيطة: ثورة في نماذج الانتشار

تعتبر نماذج الانتشار (Diffusion Models) في الآونة الأخيرة ثورة في مجال اكتشاف الشذوذ في بيانات النقاط الثلاثية الأبعاد (3D Point Cloud Data). ومع تزايد أهمية الاستشعار الثلاثي الأبعاد في صناعة التصنيع الحديثة، فإن الحاجة لاكتشاف شذوذ موثوق أصبحت أساسية لضمان الجودة وزيادة الإنتاجية.

ومع ذلك، يواجه الكثير من الحلول الحالية تحديات ملحوظة، إما من حيث تكلفة الحوسبة أو عدم قدرتها على التعرف على الشذوذ في المناطق المعقدة وغير المغطاة. إضافة إلى ذلك، فإن أنظمة نموذج الانتشار تعمل غالبًا تحت ضغط الوقت، مما قد يعيق نشرها في الأنظمة التي تتطلب استجابة سريعة وموارد محدودة.

وللتغلب على هذه التحديات، تم طرح نهج جديد يعتمد على التعلم من التناسق (Consistency Learning) لإعادة صياغة اكتشاف الشذوذ القائم على إعادة البناء. يسمح هذا الأسلوب بالتنبؤ المباشر بالهندسة الخالية من الشذوذ في عملية واحدة أو اثنتين من تقييم الشبكة.

كما تم تقديم صيغة جديدة للخسارة الهجينة، التي تلزم بشكل صريح إعادة البناء نحو البيانات النظيفة، مما يقلل بشكل ملحوظ من تكلفة التقدير. النتائج مذهلة، حيث تحقق هذه الطريقة الجديدة أقل من 80 ضعفًا في زمن التنفيذ مقارنة بأحدث الطرق المتاحة، دون الحاجة لتسريع بواسطة وحدات معالجة الرسوميات (GPU)، مع الحفاظ على أداء قوي في اكتشاف الشذوذ.

تتفوق هذه الطريقة على تقنية R3D-AD في مجموعة بيانات Anomaly-ShapeNet بنسبة 76.20% من درجات I-AUROC، وتبقى قادرة على التنافس في Real3DAD بنسبة 72.80% من درجات I-AUROC، مما يمكّن من اكتشاف الشذوذ بكفاءة وبزمن استجابة منخفض على منصات ذات موارد محدودة، بما في ذلك الطائرات المسيرة والكاميرات الصناعية الذكية وغيرها من الأجهزة الطرفية.