马氏PatchCore：协方差感知且流式兼容的工业异常检测
计算机视觉与模式识别
2026-05-28 v1 人工智能
机器学习
摘要
工业视觉异常检测通常是一类问题：正常图像丰富，而缺陷稀少、异构，且在系统设计时通常不可用。PatchCore风格的检索适合此场景，因为它从正常补丁特征的内存库中对测试图像进行评分，但标准的欧几里得几何忽略了特征相关性，且其离线构建在子采样前物化了完整的补丁池。我们引入了马氏PatchCore，它是PatchCore的协方差感知、流式兼容扩展。其人工智能贡献在于一个检索检测器，它在降维特征空间中估计正则化协方差模型并对嵌入进行白化，使得变换后的欧几里得最近邻搜索实现了马氏检索。一个有限内存、可重复迭代的训练流程在不一次性存储所有正常补丁的情况下构建内存库，使用增量降维、在线协方差估计和流式聚合。工程应用是自动化工业检测，其中视觉异常检测必须在实际内存限制下保持准确。我们在一个公开的15类工业异常检测基准和三个工业数据集（涵盖吹灌封条状安瓿弯月面检测、琥珀玻璃安瓿底部检测和冻干饼西林瓶检测）上评估了该方法。马氏PatchCore在公开基准上保留了大部分离线PatchCore的图像级性能，同时将峰值内存从5.41 GB降低到2.78 GB，并将所选工业平均图像ROC曲线下面积从0.981提高到0.986。
引用
@article{arxiv.2605.27748,
title = {Mahalanobis PatchCore: Covariance-Aware and Streaming-Compatible Industrial Anomaly Detection},
author = {Niccolò Ferrari and Oligert Osmani and Evelina Lamma},
journal= {arXiv preprint arXiv:2605.27748},
year = {2026}
}
备注
57 pages, 7 figures