MSFlow：基于多尺度流的无监督异常检测框架
计算机视觉与模式识别
2023-08-30 v1
摘要
无监督异常检测（UAD）引起了大量研究关注并推动了广泛应用，其训练仅使用无异常样本。部分 UAD 应用旨在无任何异常信息的情况下进一步定位异常区域。尽管异常样本与标注的缺失损害了 UAD 性能，但一种不显眼却强大的统计模型——归一化流，适用于以无监督方式进行异常检测与定位。基于流的概率模型仅以无异常数据训练，可通过赋予异常数据远低于正常数据的似然值来高效甄别不可预测的异常。然而，不可预测异常的尺寸变化给基于流的方法实现高精度异常检测与定位带来了另一不便。为泛化异常尺寸变化，我们提出一种新颖的基于多尺度流的框架，称为 MSFlow，其由非对称并行流及随后的融合流组成以交换多尺度感知。此外，根据图像级异常检测与像素级异常定位之间的差异，二者采用了不同的多尺度聚合策略。所提 MSFlow 在三个异常检测数据集上评估，显著优于现有方法。值得注意的是，在具挑战性的 MVTec AD 基准上，我们的 MSFlow 取得了新的最优结果，检测 AUORC 分数高达 99.7%，定位 AUCROC 分数 98.8%，PRO 分数 97.1%。可复现代码见 https://github.com/cool-xuan/msflow。
引用
@article{arxiv.2308.15300,
title = {MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection},
author = {Yixuan Zhou and Xing Xu and Jingkuan Song and Fumin Shen and Heng Tao Shen},
journal= {arXiv preprint arXiv:2308.15300},
year = {2023}
}