基于特征扰动池的融合网络用于统一多类工业缺陷检测
计算机视觉与模式识别
2026-04-22 v1
摘要
多类缺陷检测是工业质量检查中的关键且具有挑战性的任务, 现有方法通常面临两个根本性局限: (i) 需要为每个缺陷类别单独训练模型, 导致计算和内存开销巨大; (ii) 当异构缺陷类别联合建模时, 会导致特征间扰动降低鲁棒性。本文提出了一种基于特征扰动池的融合网络(FPFNet), 通过将随机特征扰动池与多层特征融合策略协同集成, 在统一的检测框架内解决上述挑战。特征扰动池通过随机注入包括高斯噪声、F-Noise 和 F-Drop 在内的多样化噪声模式, 丰富训练分布, 从而增强模型对领域迁移和未见缺陷形态的鲁棒性。同时, 多层特征融合模块通过残差连接和归一化处理, 聚合编码器和解码器中的层次特征表示, 使网络能够捕捉复杂的跨尺度关系, 同时保留精细的空间细节, 以实现精确的缺陷定位。基于 UniAD 架构~\cite{you2022unified}, 本方法在两大主流基准数据集上实现了最先进的性能: 在MVTec-AD上实现97.17%图像级AUROC和96.93%像素级AUROC, 在VisA上实现91.08%图像级AUROC和99.08%像素级AUROC, 相较于现有方法取得显著提升, 且无需额外可学习参数或计算复杂度。
引用
@article{arxiv.2604.19259,
title = {Feature Perturbation Pool-based Fusion Network for Unified Multi-Class Industrial Defect Detection},
author = {Yuanchan Xu and Wenjun Zang and Ying Wu},
journal= {arXiv preprint arXiv:2604.19259},
year = {2026}
}