3D 포인트 클라우드 (3D point clouds)에서 결함을 탐지하고 위치를 파악하는 것은 이상 샘플이 부족하고 다양하며, 학습이 종종 정상 데이터로만 제한되기 때문에 매우 어렵습니다. 우리는 의사 이상치 (pseudo-anomalies)에 의존하는 비지도 3D 이상 탐지 (unsupervised 3D anomaly detection) 방법론을 위한 학습 데이터를 확장하기 위해, 정상 포인트 클라우드로부터 다양한 의사 이상치를 합성하는 모듈형 프레임워크인 Anomaly Factory 3D (AF3AD)를 제안합니다. AF3AD는 커널 제어 공간 감쇠 (kernel-controlled spatial falloff), 비등방성 (anisotropy), 방향성 게이팅 (directional gating), 그리고 법선/접선 변위 필드 (normal/tangential displacement fields)를 갖춘, 로컬 PCA 프레임 (local PCA frames) 내에서 정의된 중심 조건부 파라미터 변형 모델 (center-conditioned parametric deformation model)을 사용하여 광범위한 기하학적 결함 프리셋 (geometric defect presets)을 가능하게 합니다. 우리는 AF3AD를 오프셋 예측 탐지기 (offset-prediction detector) 및 재구성 기반 이상 탐지 (reconstruction-based anomaly detection) 방법과 통합함으로써 사용의 용이성과 효과를 입증하였으며, AF3AD가 다양한 탐지 패러다임 간에 전이될 수 있음을 보여주었습니다. AnomalyShapeNet 및 Real3D-AD에 대한 실험 결과, 프리셋 그룹에 대한 절제 연구 (ablations)와 노이즈 하에서의 강건성(robustness)을 통해 뒷받침되는 객체 및 포인트 수준의 탐지 및 위치 파악 성능의 일관된 향상을 확인했습니다. AF3AD는 서로 다른 3D 이상 탐지 패러다임 전반에 걸쳐 채택을 용이하게 하기 위해 독립적인 합성 도구로 설계되었습니다. 코드는 github.com/vpc-ccg/AF3AD에서 확인할 수 있습니다.