用于无噪声数据无监督异常检测的协同评分滤波器
图像与视频处理
2025-06-19 v2
摘要
包含噪声的完全无监督异常检测（FUAD）具有重要的实际意义。尽管存在各种方法来解决此问题，但在性能和可扩展性方面受到限制。本工作旨在克服这些障碍，使无监督异常检测（UAD）模型更广泛地适用于 FUAD。为实现此目标，我们引入了协同评分滤波器（SSFilter），这是首个利用样本级滤波的完全无监督异常检测方法。SSFilter 促进端到端的稳健训练，并对训练集的全部数据应用滤波，提供了一种对 FUAD 的模型无关解决方案。具体而言，SSFilter 集成了基于相互补丁比较的批级异常评分机制，利用异常区域中的回归误差和预测不确定性，以估计样本级不确定性得分，以校准异常评分机制。此设计产生了协同、稳健的滤波方法。此外，我们提出了一种真实的异常合成方法和一种完整性增强策略，以提高模型训练并缓解漏检噪声样本的风险。我们的方法在最新大规模工业异常检测数据集 Real-IAD 的 FUAD 基准上建立了最高的性能。此外，数据集级滤波显著提升了各种 UAD 方法在 FUAD 基准上的性能，而我们方法的高可扩展性大大增强了其实际应用性。
引用
@article{arxiv.2502.13992,
title = {A Synergy Scoring Filter for Unsupervised Anomaly Detection with Noisy Data},
author = {Chengming Liu and Fengjie Wang and Lei Shi and Zhe Zhao},
journal= {arXiv preprint arXiv:2502.13992},
year = {2025}
}