基于MathPhys引导的粗到细异常合成与SQE驱动的双层优化用于异常检测
计算机视觉与模式识别
2025-08-05 v2
摘要
当前工业异常检测面临两个瓶颈：（i）真实缺陷图像稀缺，（ii）合成数据质量的不透明性。现有合成策略（如剪切粘贴）忽略了缺陷的底层物理原因，导致不一致、低保真度的异常现象，阻碍模型对现实复杂性的泛化。本文引入一种新型轻量化管道，通过Math-Phys模型引导生成合成异常，采用粗到细方法进行细化，并采用基于合成质量估计器（SQE）的双层优化策略。通过建模三种典型物理驱动缺陷机制：断裂线（FL）、凹陷损失（PL）和塑性翘曲（PW），本方法生成真实感缺陷掩码，并在两个阶段进行增强。第一个阶段（npcF）采用偏微分方程实现全局一致性，第二个阶段（npcF++）进一步提升局部保真度。此外，我们利用SQE驱动的加权，确保高质量合成样本在训练中获得更大权重。为验证本方法，在三个异常检测基准数据集上进行实验：MVTec AD、VisA和BTAD。跨数据集，本方法在图像与像素AUROC上均实现最先进成绩，确认了MaPhC2F数据集与BiSQAD方法的有效性。所有代码将公开。
引用
@article{arxiv.2504.12970,
title = {MathPhys-Guided Coarse-to-Fine Anomaly Synthesis with SQE-Driven Bi-Level Optimization for Anomaly Detection},
author = {Long Qian and Bingke Zhu and Yingying Chen and Ming Tang and Jinqiao Wang},
journal= {arXiv preprint arXiv:2504.12970},
year = {2025}
}