基于序列重建的上下文增强：统一无监督异常检测
计算机视觉与模式识别
2024-09-11 v1
摘要
无监督异常检测 (AD) 旨在仅使用正常样本训练出鲁棒的检测模型，以便对未见异常进行良好泛化。近期研究聚焦于仅训练一个模型适用于所有类别的统一无监督 AD 设置，即 n-class-one-model 范式。基于特征重建的方法在此场景下取得了最佳性能。然而，现有方法常因缺乏足够的上下文感知而影响重建质量。为此，本文提出一种新颖的 Reconstruction as Sequence (RAS) 方法，从序列建模角度增强特征重建过程中的上下文对应关系。具体而言，基于 transformer 技术，我们将专门的 RASFormer 块集成到 RAS 中。该块能够捕获不同图像区域之间的空间关系，并增强重建过程中序列依赖性。通过引入 RASFormer 块，RAS 方法实现了卓越的上下文感知能力，显著提升了检测性能。实验结果表明，RAS 明显优于对手方法，充分证明了其有效性与优势。我们的代码已公开于 https://github.com/Nothingtolose9979/RAS。
引用
@article{arxiv.2409.06285,
title = {Context Enhancement with Reconstruction as Sequence for Unified Unsupervised Anomaly Detection},
author = {Hui-Yue Yang and Hui Chen and Lihao Liu and Zijia Lin and Kai Chen and Liejun Wang and Jungong Han and Guiguang Ding},
journal= {arXiv preprint arXiv:2409.06285},
year = {2024}
}