通过类无关分布对齐实现绝对统一的多类异常检测
计算机视觉与模式识别
2024-04-17 v2
摘要
传统的无监督异常检测（UAD）方法为每个对象类别构建单独的模型。最近的研究提出为多个类别训练一个统一模型，即模型统一 UAD。然而，此类方法在推理期间仍然在各类别上分别使用各自的异常决策阈值来实现统一模型，这阻碍了它们在图像类别完全不可用时的应用。在这项工作中，我们提出了一种简单而强大的方法来解决没有任何类别信息的多类异常检测问题，即“绝对统一”UAD。我们针对先前工作在这种挑战性环境中的症结：不同对象具有不匹配的异常分数分布。我们提出了类无关分布对齐（CADA），在不知道类别信息的情况下对齐每个隐式类别的错位分数分布，从而实现对所有类别和样本的统一异常检测。CADA 的本质是在给定该类别的任何图像（正常或异常）的情况下，预测每个类别的正常样本分数分布。作为一个通用组件，CADA 可以激发几乎所有 UAD 方法在绝对统一设置下的潜力。我们的方法在两个流行的 UAD 基准数据集 MVTec AD 和 VisA 上按所提出的设置进行了广泛评估，我们在其中大幅超越了先前的 SOTA。
引用
@article{arxiv.2404.00724,
title = {Absolute-Unified Multi-Class Anomaly Detection via Class-Agnostic Distribution Alignment},
author = {Jia Guo and Haonan Han and Shuai Lu and Weihang Zhang and Huiqi Li},
journal= {arXiv preprint arXiv:2404.00724},
year = {2024}
}