AMI-Net：用于工业异常检测与定位的自适应掩码修复网络
计算机视觉与模式识别
2024-12-17 v1 人工智能
摘要
无监督视觉异常检测对于提升工业生产质量与效率至关重要。在无监督方法中，重建方法因其简单有效而广受欢迎。重建方法的关键在于对异常区域的恢复，而当前方法尚未能令人满意地实现这一点。为了解决这一问题，我们从自适应掩码修复的角度引入了一种新颖的自适应掩码修复网络（AMI-Net）。与将非语义图像像素作为目标的传统重建方法不同，我们的方法使用预训练网络提取多尺度语义特征作为重建目标。鉴于工业缺陷的多尺度特性，我们引入了一种涉及随机位置与数量掩码的训练策略。此外，我们提出了一种创新的自适应掩码生成器，能够生成有效掩盖异常区域同时保留正常区域的自适应掩码。通过这种方式，模型能够利用可见的正常全局上下文信息来恢复被掩盖的异常区域，从而有效抑制对缺陷的重建。在 MVTec AD 和 BTAD 工业数据集上的大量实验结果验证了所提方法的有效性。此外，AMI-Net 展现出卓越的实时性能，在检测精度与速度之间取得了良好的平衡，使其非常适合工业应用。代码获取地址：https://github.com/luow23/AMI-Net
引用
@article{arxiv.2412.11802,
title = {AMI-Net: Adaptive Mask Inpainting Network for Industrial Anomaly Detection and Localization},
author = {Wei Luo and Haiming Yao and Wenyong Yu and Zhengyong Li},
journal= {arXiv preprint arXiv:2412.11802},
year = {2024}
}
备注
Accepted by IEEE Transactions on Automation Science and Engineering.Code is available at: https://github.com/luow23/AMI-Net