探索单张图像中的内在正常原型以实现通用异常检测
计算机视觉与模式识别
2025-07-02 v2
摘要
异常检测（AD）对工业检测至关重要，然而现有方法通常依赖于将测试图像与训练集中的正常参考图像进行“比较”。然而，外观和位置的变化往往使这些参考图像与测试图像的对齐变得复杂，从而限制了检测精度。我们观察到大多数异常表现为局部变化，这意味着即使在异常图像中，仍然保留有价值的正常信息。我们认为这些信息是有用的，并且由于异常和正常信息源自同一图像，它们可能与异常更为匹配。因此，我们不依赖训练集中的外部正常性，而是提出了一种名为 INP-Former 的新方法，直接从测试图像中提取内在正常原型（INPs）。具体而言，我们引入了 INP Extractor，它线性组合正常 tokens 来表示 INPs。我们进一步提出了 INP Coherence Loss，以确保 INPs 能够忠实地表示测试图像的正常性。然后，这些 INPs 指导 INP-Guided Decoder 仅重建正常 tokens，并将重建误差作为异常分数。此外，我们提出了 Soft Mining Loss，以在训练期间优先处理难以优化的样本。INP-Former 在 MVTec-AD、VisA 和 Real-IAD 上的单类、多类和少样本 AD 任务中均取得了 SOTA 性能，成为 AD 的通用解决方案。值得注意的是，INP-Former 还展示了一定的零样本 AD 能力。代码获取地址：https://github.com/luow23/INP-Former。
关键词
引用
@article{arxiv.2503.02424,
title = {Exploring Intrinsic Normal Prototypes within a Single Image for Universal Anomaly Detection},
author = {Wei Luo and Yunkang Cao and Haiming Yao and Xiaotian Zhang and Jianan Lou and Yuqi Cheng and Weiming Shen and Wenyong Yu},
journal= {arXiv preprint arXiv:2503.02424},
year = {2025}
}
备注
Accepted by CVPR2025