缺失遮盖异常检测中的特征削弱

在无监督异常检测 (UAD) 研究中，虽然最先进的模型在大量公共基准数据集上已达到饱和点，但它们采用大规模定制神经网络 (NN) 以获取检测性能，或追求统一模型以适用于各种任务。为了实现边缘计算，必要的是开发一种计算高效且可扩展的解决方案，避免使用大型复杂 NN。受此启发，我们旨在最小化 NN 设置的改动来优化 UAD 性能。因此，我们重新审视基于填充重建的方法，并通过分析其优势与不足来重新思考其改进方案。SOTA 方法的优势在于采用单一确定性遮盖方法，以解决随机多重遮盖带来的推理延迟和输出不一致性挑战。然而，未能为完全覆盖异常区域提供遮盖物的缺陷仍是残留问题。为缓解此问题，我们提出特征削弱缺失表示 (FADeR)，仅使用两个 MLP 层以减弱解码过程中异常重建特征信息。通过运用 FADeR，未见的异常模式特征被重建为已知正常模式，从而降低误报。实验结果表明，FADeR 在类似规模 NN 方面实现了提升性能。 Furthermore, our approach exhibits scalability in performance enhancement when integrated with other single deterministic masking methods in a plug-and-play manner.