利用粗粒度知识感知的对抗学习增强细粒度视觉异常检测

许多无监督视觉异常检测方法训练自编码器以重建正常样本，随后利用重建误差图来检测和定位异常。然而，由于神经网络强大的建模与泛化能力，某些异常也能被很好地重建，导致检测与定位精度不佳。本文首先收集了一个带有粗粒度标签的小规模异常数据集。随后，提出了一种粗粒度知识感知的对抗学习方法，以将重建特征的分布与正常特征的分布对齐。该对齐操作能有效抑制自编码器对异常的重建能力，从而提升检测精度。考虑到异常在异常图像中通常仅占据极小区域，进一步提出了一种图块级对抗学习策略。尽管缺乏图块级异常信息，我们严格证明了，通过简单地将异常图像中的任意图块特征视为异常，所提出的知识感知方法同样能将重建图块特征的分布与正常图块特征对齐。在四个医学数据集和两个工业数据集上的实验结果证明了本方法在提升检测与定位性能方面的有效性。