生成与重加权密集对比模式用于无监督异常检测
计算机视觉与模式识别
2023-12-27 v1
摘要
最近的无监督异常检测方法通常依赖于使用辅助数据集预训练的特征提取器或精心构造的异常模拟样本。然而，由于辅助数据集选择或异常模拟策略中的先验知识，这可能限制它们对日益增多的异常检测任务的适应性。为应对这一挑战，我们首先引入一种无先验的异常生成范式，并随后基于该范式开发了一个创新的无监督异常检测框架GRAD。GRAD包含三个关键组件：(1) 一个扩散模型（PatchDiff），通过保留正常图像中的局部结构而忽略全局结构来生成对比模式；(2) 一个自监督重加权机制，用于处理PatchDiff生成的长尾且未标记的对比模式带来的挑战；(3) 一个轻量级的块级检测器，以高效区分正常模式和重加权后的对比模式。PatchDiff的生成结果有效暴露了多种类型的异常模式，例如结构异常和逻辑异常模式。此外，在MVTec AD和MVTec LOCO数据集上的大量实验也支持上述观察，并表明GRAD实现了具有竞争力的异常检测精度和优越的推理速度。
引用
@article{arxiv.2312.15911,
title = {Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection},
author = {Songmin Dai and Yifan Wu and Xiaoqiang Li and Xiangyang Xue},
journal= {arXiv preprint arXiv:2312.15911},
year = {2023}
}
备注
AAAI 2024