포인트 클라우드 (Point Cloud)에서의 3D 이상 탐지 (Anomaly Detection)는 고정밀 산업 제조 분야에서 매우 중요합니다. 재구성 기반 (Reconstruction-based) 방법들은 결함이 있는 입력값과 재구성된 정상 대응값 사이의 비교를 통해 3D 이상을 탐지함으로써 강력한 토대를 마련해 왔습니다. 그러나 기존 방법들은 여전히 두 가지 과제에 직면해 있습니다: 1) 스크래치와 같은 전경의 약한 결함 영역 (weak defective regions)은 재구성과 탐지가 어려우며, 정규화된 포인트 클라우드에서의 이상 편차 (anomaly deviations)는 $10^{-3}$만큼 작을 수 있습니다. 2) 배경의 비결함 영역 (non-defective regions)은 재구성 시 위치 편향 (positional bias)이 발생하기 쉬우며, 이는 오탐 (false positives)으로 이어집니다. 이러한 과제를 해결하기 위해, 우리는 인스턴스 수준의 3D 이상 생성 및 탐지를 위한 포인트 클라우드 확산 (point cloud diffusion) 프레임워크인 extbf{PCDiff}를 제안합니다. 생성 단계에서는 인스턴스 수준의 멀티모달 어텐션 (multi-modal attention)이 생성 프레임워크에 내장되어, 질감 그래디언트 (texture gradient), 이미지 패치 (image patch), 텍스트 (text) 및 마스크 (mask)를 조건으로 이상치를 생성합니다. 이러한 인스턴스 수준의 조건은 약한 결함 이상치 (weak-defective anomalies)의 고품질 생성을 가능하게 합니다. 탐지 단계에서는 국부적 이상 복원과 전역적 기하학적 일관성 (global geometric consistency)을 보장하기 위해 결합된 지역-전역 재구성 (joint local-global reconstruction) 알고리즘이 도입되며, 이는 전경의 결함을 복원하는 동시에 배경의 정상 구조를 보존합니다. 광범위한 실험을 통해 제안된 PCDiff가 3D 이상 생성 충실도 (generation fidelity)와 재구성 품질 모두에서 최첨단 (state-of-the-art) 방법들을 크게 능가하며, 이상 탐지 정확도를 실질적으로 향상시킨다는 것을 입증하였습니다.