由教师编码-学生解码去噪引导的分段网络异常检测
计算机视觉与模式识别
2025-11-25 v4 人工智能
摘要
视觉异常检测是一个极具挑战性的任务，通常被归类为单类分类和分段问题。最近的研究表明，学生-教师(S-T)框架在有效解决这一挑战方面具有优势。然而，大多数S-T框架仅依赖预训练的教师网络来指导学生网络学习多尺度相似特征，忽略了通过多尺度特征融合来增强学生网络学习潜力的可能性。本研究提出了一种名为PFADSeg的新型模型，将预训练教师网络、具备多尺度特征融合能力的去噪学生网络以及基于导向异常分段网络集成到一个统一框架中。通过采用独特的教师编码器和学生解码器去噪模式，该模型提高了学生网络从教师网络特征中学习的能力。此外，引入自适应特征融合机制，以训练自监督分段网络，使其能够自主合成异常掩码，从而显著提升检测性能。在广泛使用的MVTec AD数据集上进行严格的评估表明，PFADSeg表现出色，实现了98.9%的图像级AUC、76.4%的像素级平均精度以及78.7%的实例级平均精度。
引用
@article{arxiv.2501.12104,
title = {Teacher Encoder-Student Decoder Denoising Guided Segmentation Network for Anomaly Detection},
author = {Shixuan Song and Hao Chen and Shu Hu and Xin Wang and Jinrong Hu and Xi Wu},
journal= {arXiv preprint arXiv:2501.12104},
year = {2025}
}