RealNet：一种具有真实合成异常用于异常检测的特征选择网络
计算机视觉与模式识别
2024-03-12 v1
摘要
自监督特征重建方法在工业图像异常检测和定位方面已显示出令人鼓舞的进展。尽管取得了这些进步，这些方法在合成真实且多样的异常样本，以及解决预训练特征的特征冗余和预训练偏差方面仍面临挑战。在这项工作中，我们引入了 RealNet，这是一种具有真实合成异常和自适应特征选择的特征重建网络。它融合了三项关键创新：首先，我们提出了强度可控扩散异常合成（Strength-controllable Diffusion Anomaly Synthesis, SDAS），这是一种基于扩散过程的合成策略，能够生成具有不同异常强度的样本，以模仿真实异常样本的分布。其次，我们开发了异常感知特征选择（Anomaly-aware Features Selection, AFS），这是一种用于选择具有代表性和判别性的预训练特征子集的方法，旨在提高异常检测性能的同时控制计算成本。第三，我们引入了重建残差选择（Reconstruction Residuals Selection, RRS），这是一种自适应选择判别性残差的策略，用于在多粒度层面上全面识别异常区域。我们在四个基准数据集上评估了 RealNet，结果表明，与当前最先进的方法相比，我们在图像 AUROC 和像素 AUROC 方面均取得了显著提升。代码、数据和模型可在 https://github.com/cnulab/RealNet 获取。
引用
@article{arxiv.2403.05897,
title = {RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection},
author = {Ximiao Zhang and Min Xu and Xiuzhuang Zhou},
journal= {arXiv preprint arXiv:2403.05897},
year = {2024}
}
备注
Accepted to CVPR 2024