面向多类工业异常检测的协同重构与修复

工业异常检测是一个具有挑战性的开放集任务，旨在识别偏离正常数据分布的未知异常模式。为避免为每个类别构建独立模型所导致的显著内存消耗和有限的可泛化性，本文聚焦于开发一个统一的框架进行多类异常检测。然而，在这一困难的设置下，传统的基于重构的网络常因身份映射问题而受限，即它们不论输入是正常还是异常，都直接复制输入特征，导致检测失败。为解决此问题，本研究提出一种新颖的框架，称为协同重构与修复（Collaborative Reconstruction and Repair, CRR），将重构转化为修复。首先，我们优化解码器以重构正常样本，同时修复合成的异常样本。因此，它为异常区域生成不同的表征，而对于正常区域则产生与编码器输出相似的表征。其次，我们在特征层面实现随机遮蔽，以确保解码器的表征包含足够的局部信息。最后，为了最小化由于编码器和解码器特征表征之间的差异导致的检测错误，我们训练一个由人工合成异常掩码监督的分割网络，从而提升局部分辨性能。广泛的实验表明，CRR 有效缓解了身份映射问题，并在多类工业异常检测中实现了最先进的性能。