面向多类无监督异常检测的记忆增强双解码器网络
计算机视觉与模式识别
2025-04-22 v1
摘要
近期无监督异常检测 (UAD) 的进展正从单类场景转向多类场景。在此复杂情境中，模式多样性增加带来了两个挑战给基于重构的方法：(1) 过度概括化：异常情况较微妙或与正常模式共享组成相似性的异常可能以高保真度被重构，使其难以与正常实例区分；(2) 不足的正常重构：复杂的正常特征，如精细纹理或细粒度结构，可能由于模型的有限表示能力而未能得到忠实的重构，导致误报。现有方法通常只关注解决前者，这无意中加剧了后者，导致对复杂正常模式的表示不足。为同时解决这两个挑战，我们提出了记忆增强双解码器网络 (Memory-augmented Dual-Decoder Networks, MDD-Net)。该网络包括两个关键组件：双解码器逆向蒸馏网络 (Dual-Decoder Reverse Distillation Network, DRD-Net) 和类 aware 记忆模块 (Class-aware Memory Module, CMM)。具体而言，DRD-Net 包含一个恢复解码器，用于从合成异常输入中恢复正常特征，以及一个 identity 解码器用于重构保持异常语义的特征。通过利用两个解码器产生的特征之间的差异，我们的方法超越传统的编码器-解码器比较范式来细化异常得分，有效减少误报并提高局部化准确性。此外，CMM 显式地编码和保存类特定的正常原型，主动引导网络远离异常重构。全面的实验结果表明，我们的 MDD-Net 框架在多类 UAD 任务中优于当前 SoTA 方法。
引用
@article{arxiv.2504.14884,
title = {Memory-Augmented Dual-Decoder Networks for Multi-Class Unsupervised Anomaly Detection},
author = {Jingyu Xing and Chenwei Tang and Tao Wang and Rong Xiao and Wei Ju and Ji-Zhe Zhou and Liangli Zhen and Jiancheng Lv},
journal= {arXiv preprint arXiv:2504.14884},
year = {2025}
}