Defect-GAN：用于自动缺陷检测的高保真缺陷合成
计算机视觉与模式识别
2021-03-30 v1
摘要
自动缺陷检测对先进制造中有效且高效的维护、维修与运营至关重要。另一方面，自动缺陷检测常受限于缺陷样本匮乏，尤其当我们采用深度神经网络执行该任务时。本文提出Defect-GAN，一种自动缺陷合成网络，可生成真实且多样的缺陷样本，用于训练准确且鲁棒的缺陷检测网络。Defect-GAN通过损毁与修复过程学习：损毁在正常表面图像上生成缺陷，而修复去除缺陷以生成正常图像。其采用一种新颖的基于组合层的架构，以在不同纹理与外观的各类图像背景中生成真实缺陷。它还能模拟缺陷的随机变化，并对生成缺陷在图像背景中的位置和类别提供灵活控制。大量实验表明，Defect-GAN能够合成具有优越多样性与保真度的各类缺陷。此外，合成的缺陷样本证明了其在训练更优缺陷检测网络中的有效性。
引用
@article{arxiv.2103.15158,
title = {Defect-GAN: High-Fidelity Defect Synthesis for Automated Defect Inspection},
author = {Gongjie Zhang and Kaiwen Cui and Tzu-Yi Hung and Shijian Lu},
journal= {arXiv preprint arXiv:2103.15158},
year = {2021}
}
备注
Codes will not be released due to confidentiality agreement. Published on WACV 2021. (https://openaccess.thecvf.com/content/WACV2021/papers/Zhang_Defect-GAN_High-Fidelity_Defect_Synthesis_for_Automated_Defect_Inspection_WACV_2021_paper.pdf)