面向结构异常检测的基于身份锚定的 Tikhonov 正则化方法
计算机视觉与模式识别
2025-11-11 v1 机器学习
摘要
异常检测是自动化工业检验的关键任务，旨在识别否则均匀视觉模式中的细微或罕见缺陷。由于不可能收集所有可能异常的代表性样本，本文采用自监督自编码器解决结构异常检测问题，使其学习修复被破坏输入的能力。为此，我们引入一种破坏模型，在训练图像中注入人工干扰以模拟结构缺陷。虽与去噪自编码器相似，但我们的做法有两个关键区别：其一，采用结构化、空间连贯的扰动，使任务成为分割与填充的混合任务；其二，出于反直觉，我们在遮挡之上额外添加并保留高斯噪声，其作为 Tikhonov 正则化器，将重构函数的雅可比矩阵锚定 toward identity。这种 identity 锚定正则化稳定了重构过程，进而提升了检测与分割精度。在 MVTec AD 数据集上，我们的方法实现了最新的性能（I/P-AUROC: 99.9/99.4），支持我们的理论框架，证明其在自动化检验中的实际有效性。
关键词
引用
@article{arxiv.2511.07233,
title = {Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection},
author = {Alexander Bauer and Klaus-Robert Müller},
journal= {arXiv preprint arXiv:2511.07233},
year = {2025}
}