PatchFlow：基于局部特征的流模型方法
计算机视觉与模式识别
2026-02-06 v1 机器学习
摘要
铝锻件因其能制造复杂形状且表面光滑而在各行业中发挥关键作用，但表面缺陷仍是制约质量控制的主要问题。近期探索了计算机视觉技术以自动化和提升缺陷检测。本文将局部邻域感知 patch 特征与归一化流模型相结合，通过引入适配器模块桥接通用预训练特征提取器与工业产品图像，提高自动化异常检测的效率和准确性。与最新方法相比，我们的方法在 MVTec AD 数据集上将错误率降低 20%，实现图像级 AUROC 为 99.28%。在 VisA 数据集上也实现了 96.48% 的图像级 AUROC。相较于最新模型，这相当于错误率降低 28.2%。此外，对一个专有铝锻件数据集的实验显示，在无需任何异常样本训练的情况下，达到 95.77% 的检测准确率。我们的方法展示了利用计算机视觉和深度学习技术推动铝锻件行业检查能力的潜力。
引用
@article{arxiv.2602.05238,
title = {PatchFlow: Leveraging a Flow-Based Model with Patch Features},
author = {Boxiang Zhang and Baijian Yang and Xiaoming Wang and Corey Vian},
journal= {arXiv preprint arXiv:2602.05238},
year = {2026}
}