并非所有区域都相等：用于工业异常检测的注意力引导扰动网络
计算机视觉与模式识别
2025-11-19 v3
摘要
在无监督图像异常检测中，重建方法旨在训练模型全面捕获正常模式以实现正常数据的重建。然而，这些模型在推理过程中有时会保留对异常区域的非预期重建能力，导致漏检。为缓解这一问题，现有工作以与样本无关的方式扰动正常样本，在重建原始图像之前在整个空间位置均匀添加噪声。尽管取得了有前景的结果，但它们忽略了前景位置对鲁棒重建本质上更为关键这一事实。受此启发，我们提出了一种名为注意力引导扰动网络（AGPNet）的新型重建框架。其核心思想是通过样本感知的注意力掩码引导添加扰动，以改善在重要位置学习不变正常模式的能力。AGPNet由两个分支组成，即重建分支和辅助的基于注意力的扰动分支。重建分支学习重建正常样本，而辅助分支旨在生成注意力掩码以引导正常样本的噪声扰动过程。通过在那些重要区域更积极地进行扰动，我们鼓励重建分支全面且鲁棒地学习固有的正常模式。在涵盖MVTec-AD、VisA和MVTec-3D的几个流行基准上进行了广泛实验，结果表明AGPNet在少样本、单类和多类等多种设置下始终获得了领先的异常检测性能。
引用
@article{arxiv.2408.07490,
title = {Not All Regions Are Equal: Attention-Guided Perturbation Network for Industrial Anomaly Detection},
author = {Tingfeng Huang and Weijia Kong and Yuxuan Cheng and Jingbo Xia and Rui Yu and Jinhai Xiang and Xinwei He},
journal= {arXiv preprint arXiv:2408.07490},
year = {2025}
}