全局正则化邻域回归：高效零样本纹理异常检测

纹理表面异常检测在工业领域找到了广泛应用。然而，现有方法往往需要大量样本进行模型训练，而且主要 operate within close-set 检测框架，限制了其识别训练数据集之外异常的能力。为克服这些挑战，本文引入了一种名为 Global-Regularized Neighborhood Regression (GRNR) 的新型零样本纹理异常检测方法。不同于传统方法，GRNR 能够在没有任何训练数据或成本的情况下检测任意纹理表面的异常。drawing from human visual cognition, GRNR 从 test 纹理图像中直接派生出两个内在先验支持：一种是由具有一致相似性的局部邻域先验支持，另一种是具有典型正常模式的全局正常性先验支持。GRNR 的基本原理是利用这两个提取的内在支持先验对 query sample 进行 self-reconstructive regression。该过程在 local neighbor support 所促进的 transformation 的帮助下，由 global normality support 进行正则化，以实现视觉上一致的重建结果，同时保持正常性属性。我们在八个基准数据集上验证了 GRNR 在各种工业场景中的有效性，展示了其在不需训练数据的情况下的优异检测性能。显而易见，我们的方法适用于开放集纹理缺陷检测，并且甚至可以超越需要大量训练的现有 vanilla 方法。