基于知识引导自训练的重建式异常定位

异常定位涉及在图像中定位异常区域，是一项重要的工业任务。基于重建的方法因其低复杂度和高可解释性而被广泛用于异常定位。大多数现有的基于重建的方法仅使用正常样本来构建模型。如果在异常定位过程中适当利用异常样本，则可以提升定位性能。然而，通常仅能获得弱标注的异常样本，这限制了性能的提升。在许多情况下，我们可以获取由领域专家总结的关于异常的一些知识。利用此类知识有助于我们更好地利用异常样本，从而进一步提高定位性能。本文提出了一种名为知识引导自训练（KIST）的新型基于重建的方法，该方法通过自训练将知识整合到重建模型中。具体而言，KIST 除了使用正常样本外，还利用弱标注的异常样本，并借助知识生成异常样本的像素级伪标签。基于这些伪标签，我们使用了一种新的损失函数，该函数促进正常像素的重建同时抑制异常像素的重建。我们在不同数据集上进行了实验，证明了 KIST 优于现有的基于重建的方法。