仅用一个正常图像提示即可检测多类异常

使用自注意力变换器的无监督重建网络已实现针对多类 (统一) 异常检测的前沿性能。然而，这些自注意力重建模型主要 operate on 目标特征，可能由于与上下文的高一致性导致正常和异常特征都能完美重建，从而导致异常检测失败。此外，这些模型常常在低空间分辨率潜在空间中进行重建，导致异常分割不准确。为实现重建模型在提高效率的同时增强其统一异常检测的泛化能力，我们提出了一种简单而有效的方法，只需一个正常图像提示 (OneNIP) 即可重建正常特征并恢复异常特征。与之前的方法不同，OneNIP 首次允许仅用一个正常图像提示即可重建或恢复异常，显著提升统一异常检测性能。此外，我们提出了监督式细化器，使用真实正常图像和合成异常图像来回归重建误差，显著提高像素级异常分割。OneNIP 在三个行业异常检测基准数据集上 outperform 了之前的方法：MVTec、BTAD 和 VisA。代码和预训练模型可在 https://github.com/gaobb/OneNIP 获取。