基于渐进边界引导的工业异常合成方法
计算机视觉与模式识别
2024-12-24 v1 人工智能
摘要
无监督异常检测方法可仅利用正常样本进行训练来识别工业图像中的表面缺陷。由于单一类别学习时存在过拟合风险，人们引入异常合成策略，通过生成人工异常来增强检测能力。然而，现有策略高度依赖辅助数据集中的异常纹理，且在异常合成的覆盖范围和方向性方面存在局限，可能导致无法捕获有用信息并产生显著冗余。为此，我们提出一种新颖的渐进边界引导异常合成(PBAS)策略，能够在无需辅助纹理的情况下方向性地合成关键特征级的异常。该方法由三个核心组件构成：近似边界学习(ABL)、异常特征合成(AFS)和精细边界优化(RBO)。为使正常样本分布更紧凑，ABL首先通过中心约束学习近似决策边界，通过特征对齐改进中心初始化。随后，AFS在正常特征的超球体分布指导下，按比例方向性地合成异常。由于边界较松散，可能包含真实异常，RBO通过人工异常和正常特征的二分类来精细化决策边界。实验结果表明，我们的方法在三个广泛使用的工业数据集上实现了最先进的性能和最快的检测速度，包括MVTec AD、VisA和MPDD。代码将在https://github.com/cqylunlun/PBAS 上提供。
引用
@article{arxiv.2412.17458,
title = {Progressive Boundary Guided Anomaly Synthesis for Industrial Anomaly Detection},
author = {Qiyu Chen and Huiyuan Luo and Han Gao and Chengkan Lv and Zhengtao Zhang},
journal= {arXiv preprint arXiv:2412.17458},
year = {2024}
}
备注
Accepted by IEEE Transactions on Circuits and Systems for Video Technology