GeneralAD：通过注意力机制处理失真特征实现跨域异常检测

在异常检测领域，方法往往在高层语义或低层工业基准中单独表现，难以实现跨域的熟练功绩。语义异常是指与训练集中出现的事物在意义上有所不同的新颖事物，例如自动驾驶车辆中未出现的物体；而工业异常则是指保持语义含义的细微缺陷，如飞机部件中的裂纹。本文提出GeneralAD，一种设计用于语义、近分布和工业场景的异常检测框架，需最小化任务间的调整。在我们的方法中，我们利用Vision Transformer的内在设计优势，其在图像块上进行训练，从而确保最后的隐藏状态保留块结构。我们提出一种新颖的自监督异常生成模块，使用噪声添加和块置换等简单操作对块特征进行失真，以构建伪异常样本。这些特征被输入注意力式判别器，该判别器被训练为为图像中的每个块评分。通过这种方式，该方法既能准确识别图像层面的异常，也能生成可解释的异常图。我们在十个数据集上进行了广泛评估，在六个数据集上实现了最先进的成绩，其余数据集上表现与现有方法持平，适用于定位和检测任务。