量化FCA: 高效零样纹理异常检测
计算机视觉与模式识别
2025-10-20 v1
摘要
零样异常局部化是计算机视觉研究中日益增长的领域, 近年来取得了重要进展。本工作聚焦于纹理异常检测与局部化问题, 其中异常可定义为偏离整体统计特性、违反平稳性假设的区域。现有方法的主要局限是运行时间较高, 在实际场景下难以部署, 例如装配线监控。我们提出一种实时方法, 命名为QFCA, 实现了特征对应分析(FCA)算法的量化版本。通过仔细调整纹理直方图中量化值比较, 我们实现了10倍加速且几乎不损失准确性。此外, 我们引入基于主成分分析的特征预处理步骤, 增强了正常特征与异常特征之间的对比度, 在复杂纹理上提高了检测精度。我们的方法经过严格评估, 与旁有方法相比表现优异。项目页面: https://reality.tf.fau.de/pub/ardelean2025quantized.html
引用
@article{arxiv.2510.15602,
title = {Quantized FCA: Efficient Zero-Shot Texture Anomaly Detection},
author = {Andrei-Timotei Ardelean and Patrick Rückbeil and Tim Weyrich},
journal= {arXiv preprint arXiv:2510.15602},
year = {2025}
}
备注
13 pages, 10 figures. Published in the 30th Intl. Conference on Vision, Modeling, and Visualization (VMV), 2025