面向三维工业异常检测的自监督特征自适应方法
计算机视觉与模式识别
2024-01-18 v2
摘要
工业异常检测通常被视为一项无监督任务，旨在仅使用正常训练样本定位缺陷。近年来，涌现出大量二维异常检测方法并取得了可喜的成果，然而，仅使用二维RGB数据作为输入不足以识别难以察觉的几何表面异常。因此，本工作聚焦于多模态异常检测。具体而言，我们研究了早期尝试利用在大规模视觉数据集（即ImageNet）上预训练的模型来构建特征数据库的多模态方法。我们通过实验发现，直接使用这些预训练模型并非最优，它可能无法检测到细微缺陷，或将异常特征误判为正常。这可能归因于目标工业数据与源数据之间的领域差异。针对此问题，我们提出了一种局部到全局的自监督特征自适应（LSFA）方法，以微调适配器并学习面向异常检测的任务导向表征。LSFA从局部到全局的视角优化模态内自适应和跨模态对齐，以确保推理阶段的表征质量与一致性。大量实验表明，我们的方法不仅为基于特征嵌入的方法带来了显著的性能提升，而且在MVTec-3D AD和Eyecandies数据集上均显著优于以往的最先进（SoTA）方法，例如，LSFA在MVTec-3D上实现了97.1%的I-AUROC，超出先前SoTA +3.4%。
引用
@article{arxiv.2401.03145,
title = {Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection},
author = {Yuanpeng Tu and Boshen Zhang and Liang Liu and Yuxi Li and Xuhai Chen and Jiangning Zhang and Yabiao Wang and Chengjie Wang and Cai Rong Zhao},
journal= {arXiv preprint arXiv:2401.03145},
year = {2024}
}