RcAE：用于无监督工业异常检测的递归重建框架
计算机视觉与模式识别
2025-12-15 v1
摘要
无监督工业异常检测要求在没有标注数据的情况下准确识别缺陷。基于传统自编码器的方法通常难以有效抑制异常并保留精细细节，因为其单次解码无法有效处理具有不同严重程度和尺度的异常。我们提出了一种用于自编码器的递归架构（RcAE），通过迭代重建逐步抑制异常，同时优化正常结构。与传统单次通过模型不同，这种递归设计自然地产生一系列重建结果，逐步暴露被抑制的异常模式。为了利用这种重建动态，我们引入了一个交叉递归检测（CRD）模块，用于追踪递归步骤间的不一致性，从而增强对细微和大尺度异常的检测。此外，我们引入了一个细节保留网络（DPN）以恢复重建过程中通常丢失的高频纹理。大量实验表明，我们的方法显著优于现有的非扩散方法，并且仅使用扩散模型 10% 的参数即可达到与其相当的性能，同时提供显著更快的推理速度。这些结果凸显了我们方法在实际应用中的实用性和高效性。
引用
@article{arxiv.2512.11284,
title = {RcAE: Recursive Reconstruction Framework for Unsupervised Industrial Anomaly Detection},
author = {Rongcheng Wu and Hao Zhu and Shiying Zhang and Mingzhe Wang and Zhidong Li and Hui Li and Jianlong Zhou and Jiangtao Cui and Fang Chen and Pingyang Sun and Qiyu Liao and Ye Lin},
journal= {arXiv preprint arXiv:2512.11284},
year = {2025}
}
备注
19 pages, 7 figures, to be published in AAAI-26