EfficientAD：毫秒级延迟下的高精度视觉异常检测

图像中的异常检测是一项重要任务，尤其在实时计算机视觉应用中。本工作关注计算效率，提出了一种轻量级特征提取器，在现代 GPU 上处理一幅图像不到一毫秒。随后我们采用师生方法检测异常特征。我们训练一个学生网络来预测正常（即无异常）训练图像所提取的特征。测试时异常的检测得益于学生无法预测其特征。我们提出了一种训练损失，阻止学生在正常图像之外模仿教师特征提取器。它使我们能大幅降低师生模型的计算成本，同时改善异常特征的检测。我们进一步处理具有挑战性的逻辑异常检测，这类异常涉及正常局部特征的无效组合，例如物体的错误排序。我们通过高效引入一个全局分析图像的自编码器来检测这些异常。我们在来自三个工业异常检测数据集集合的 32 个数据集上评估了称为 EfficientAD 的方法。EfficientAD 在异常检测与定位方面均树立了新标准。在 2 毫秒延迟与每秒 600 幅图像的吞吐量下，它实现了异常的快速处理。结合其低错误率，这使其成为现实应用的经济解决方案和未来研究的有益基础。