PAEDID：基于块自编码器的深度图像分解用于像素级缺陷区域分割
计算机视觉与模式识别
2022-11-08 v3 机器学习
摘要
无监督像素级缺陷区域分割是基于图像的异常检测中各项工业应用的重要任务。现有最优方法各有优势与局限：基于矩阵分解的方法对噪声鲁棒但缺乏复杂背景图像建模能力；基于表示的方法擅长缺陷区域定位但缺乏缺陷区域形状轮廓提取精度；基于重建的方法检测出的缺陷区域与地面真值形状轮廓吻合良好但含噪。为兼取两者之长，我们提出一种无监督的基于块自编码器的深度图像分解（PAEDID）方法用于缺陷区域分割。训练阶段，我们通过块自编码器（PAE）网络学习公共背景作为深度图像先验。推理阶段，我们将异常检测表述为带深度图像先验与域相关正则化的图像分解问题。采用所提方法，图像中缺陷区域可以无监督方式准确提取。我们在仿真研究与案例研究的工业数据集中证明了PAEDID方法的有效性。
引用
@article{arxiv.2203.14457,
title = {PAEDID: Patch Autoencoder Based Deep Image Decomposition For Pixel-level Defective Region Segmentation},
author = {Shancong Mou and Meng Cao and Haoping Bai and Ping Huang and Jianjun Shi and Jiulong Shan},
journal= {arXiv preprint arXiv:2203.14457},
year = {2022}
}