基于噪声融合的异常检测蒸馏学习
机器人学
2025-06-23 v1 计算机视觉与模式识别
摘要
在自动化工业制造中进行异常检测与定位可显著提升生产效率和产品质量。现有方法能够检测预定义或受控成像环境中的表面缺陷。然而，在具有各种视角、姿态和照明的复杂和非结构化工业环境中准确检测工件缺陷仍然具有挑战性。我们提出了一种专为处理具有扰动模式输入的异常检测与定位方法。我们的方案引入了基于协作蒸馏异构教师网络（HetNet）的新框架、自适应的局部-全局特征融合模块，以及局部多变量高斯噪声生成模块。HetNet 可利用关于局部扰动性变化的有限信息来建模正常模式的复杂特征分布。我们在主流基准数据集上进行了大量实验。HetNet 在工业条件下的 MSC-AD 所有评估指标上均实现约 10% 的提升，同时在其他数据集上实现最先进的结果，验证了其对环境波动的鲁棒性以及其在多种场景下提升工业异常检测系统可靠性的能力。在实际环境中的测试进一步确认，HetNet 可以有效地集成到生产线中，以实现稳健且实时的异常检测。代码、图像和视频已发布于项目网站：https://zihuatanejoyu.github.io/HetNet/。
引用
@article{arxiv.2506.16050,
title = {Noise Fusion-based Distillation Learning for Anomaly Detection in Complex Industrial Environments},
author = {Jiawen Yu and Jieji Ren and Yang Chang and Qiaojun Yu and Xuan Tong and Boyang Wang and Yan Song and You Li and Xinji Mai and Wenqiang Zhang},
journal= {arXiv preprint arXiv:2506.16050},
year = {2025}
}
备注
IROS 2025 Oral