分而组装：面向无监督异常检测的分块记忆学习
计算机视觉与模式识别
2021-07-29 v1
摘要
基于重建的方法在图像无监督异常检测中发挥着重要作用。理想情况下，我们希望正常样本完美重建而异常样本重建较差。由于深度神经网络的可泛化性难以控制，自编码器（autoencoder）等现有模型表现不佳。在本工作中，我们将图像的重建解释为分而组装的过程。令人惊讶的是，通过改变特征图上划分的粒度，我们能够调节模型对正常与异常样本的重建能力。即，更细的粒度带来更好的重建，而更粗的粒度导致更差的重建。在适当粒度下，正常与异常样本重建误差之间的差距可被最大化。该分而组装框架通过将一种新颖的多尺度分块记忆模块嵌入自编码器网络中实现。此外，我们引入对抗学习并探索判别器的语义潜在表示，从而提升了对细微异常的检出能力。我们在具有挑战性的 MVTec AD 数据集上取得了最先进的性能。值得注意的是，我们将原始自编码器模型在 AUROC 分数上提升了 10.1%。
引用
@article{arxiv.2107.13118,
title = {Divide-and-Assemble: Learning Block-wise Memory for Unsupervised Anomaly Detection},
author = {Jinlei Hou and Yingying Zhang and Qiaoyong Zhong and Di Xie and Shiliang Pu and Hong Zhou},
journal= {arXiv preprint arXiv:2107.13118},
year = {2021}
}
备注
accepted by ICCV 2021