面向无监督异常检测的全频通道选择表示
计算机视觉与模式识别
2023-08-16 v2
摘要
基于密度和基于分类的方法近年来主导了无监督异常检测，而基于重建的方法因重建能力弱和性能低鲜被提及。然而，后者无需为无监督训练耗费额外的训练样本，更为实用，因此本文聚焦于改进此类方法，并提出一种新颖的全频通道选择重建（OCR-GAN）网络，从频率视角处理异常检测任务。具体地，我们提出频率解耦（FD）模块将输入图像解耦为不同频率分量，并将重建过程建模为并行全频图像复原的组合，因为我们观察到正常与异常图像的频率分布存在显著差异。鉴于多频率间的相关性，我们进一步提出通道选择（CS）模块，通过自适应选择不同通道在不同编码器间进行频率交互。丰富实验证明了我们的方法相对于不同类方法的有效性与优越性，例如在 MVTec AD 数据集上无需额外训练数据即取得 98.3 检测 AUC 的新最优成绩，较基于重建的基线显著提升 +38.1，并超越当前 SOTA 方法 +0.3。源代码见 https://github.com/zhangzjn/OCR-GAN。
引用
@article{arxiv.2203.00259,
title = {Omni-frequency Channel-selection Representations for Unsupervised Anomaly Detection},
author = {Yufei Liang and Jiangning Zhang and Shiwei Zhao and Runze Wu and Yong Liu and Shuwen Pan},
journal= {arXiv preprint arXiv:2203.00259},
year = {2023}
}