面向纹理图像异常检测的高维数据分解
计算机视觉与模式识别
2025-12-24 v1 机器学习
摘要
在多样化的高维数据中，图像在 various 制造系统的 various 过程中发挥着重要作用，其中高效的图像异常检测已成为至关重要的核心技术。然而，对于纹理缺陷图像，传统的异常检测方法存在包括不可忽略的误识别、低鲁棒性以及对大规模结构化数据集的过度依赖等局限性。本文提出了一种纹理基函数集成平滑分解（TBSD）方法，旨在针对具有平滑背景和稀疏异常的纹理图像实现高效异常检测。对准周期性的数学公式及其理论性质进行了研究，以用于图像纹理估计。TBSD 方法包括两个主要过程：第一个过程学习纹理基函数，以有效提取准周期纹理模式；随后的异常检测过程利用该纹理基函数作为先验知识，以防止纹理误识别并高精度捕捉潜在异常。该方法在 simulation 和 real-world 数据集上均以较少的误识别、较小的训练数据集要求和卓越的异常检测性能超过基准方法。
引用
@article{arxiv.2512.20432,
title = {High Dimensional Data Decomposition for Anomaly Detection of Textured Images},
author = {Ji Song and Xing Wang and Jianguo Wu and Xiaowei Yue},
journal= {arXiv preprint arXiv:2512.20432},
year = {2025}
}