通过在受污渍形噪声腐蚀的图像上训练带跳跃连接的自编码器改进异常检测
图像与视频处理
2020-11-05 v2 计算机视觉与模式识别
摘要
在工业视觉中，异常检测问题可通过训练一个自编码器来解决，该自编码器将任意图像（即有无缺陷均可）映射到干净图像（即无任何缺陷）。在此方法中，异常检测通常依赖于重建残差，或者替代地依赖于重建不确定性。为改善重建的清晰度，我们考虑一种带跳跃连接的自编码器架构。在仅有干净图像可用于训练的常见场景下，我们提议用合成噪声模型腐蚀它们，以防止网络收敛到恒等映射，并为此引入一种新颖的污渍（Stain）噪声模型。我们表明该模型有助于从任意真实世界图像重建干净图像，而不论实际缺陷外观如何。除了证明我们方法的相关性外，我们的验证通过对 MVTec AD 数据集上像素级与图像级异常检测性能的对比，提供了基于重建方法的首个一致性评估。
引用
@article{arxiv.2008.12977,
title = {Improved anomaly detection by training an autoencoder with skip connections on images corrupted with Stain-shaped noise},
author = {Anne-Sophie Collin and Christophe De Vleeschouwer},
journal= {arXiv preprint arXiv:2008.12977},
year = {2020}
}
备注
8 pages, 7 figures, accepted at ICPR2020 -- Supplementary explanation about the stain noise model in section III (point B)