中心感知残差异常合成用于多类工业异常检测
计算机视觉与模式识别
2025-05-26 v1
摘要
异常检测在工业图像检测中起着至关重要的作用。大多数现有方法需要为每个类别单独训练模型，导致部署成本成倍增加。这凸显了开发多类异常检测统一模型的挑战。然而，类间干扰的显著增加导致严重的漏检。此外，类内正常样本与异常样本之间的重叠，特别是在基于合成的方法中，不可忽视，可能导致过度检测。为解决这些问题，我们提出了一种新颖的中心感知残差异常合成（CRAS）方法用于多类异常检测。CRAS利用中心感知残差学习将不同类别的样本耦合到一个统一中心，从而减轻类间干扰的影响。为进一步减少类内重叠，CRAS引入距离引导的异常合成，根据正常数据分布自适应调整噪声方差。在多样化数据集和真实工业应用上的实验结果证明了CRAS优越的检测准确性和有竞争力的推理速度。源代码和新构建的数据集在https://github.com/cqylunlun/CRAS上公开可用。
引用
@article{arxiv.2505.17551,
title = {Center-aware Residual Anomaly Synthesis for Multi-class Industrial Anomaly Detection},
author = {Qiyu Chen and Huiyuan Luo and Haiming Yao and Wei Luo and Zhen Qu and Chengkan Lv and Zhengtao Zhang},
journal= {arXiv preprint arXiv:2505.17551},
year = {2025}
}
备注
Accepted by IEEE Transactions on Industrial Informatics (TII)