面向工业异常检测的模板基特征聚合网络
计算机视觉与模式识别
2026-03-25 v1
摘要
工业异常检测在确保产品质量控制方面发挥着关键作用。因此，提出一种有效的异常检测模型具有重要意义。虽然已有的特征重建方法已显示出优异性能，但面临着shortcut学习导致异常特征不可取重建的问题。为此，我们提出一种新型特征重建模型，称为基于模板的特征聚合网络（TFA-Net），用于通过模板基特征聚合进行异常检测。具体而言，TFA-Net 从预训练的卷积神经网络中提取固定模板图像和输入图像的多个层次特征。与直接重建输入特征不同，TFA-Net 将其聚合到模板特征上，有效过滤掉与正常模板特征关联性低的异常特征。接着，TFA-Net利用已融合输入特征中正常特征的模板特征，以细化特征细节并获取重建特征图。最后，通过比较输入与重建特征之间的差异，可定位缺陷区域。此外，采用用于输入特征的随机遮蔽策略以提升模型整体检查性能。我们的方法 yields 一个非平凡且有意义的特征重建任务。该简单而高效的 TFA-Net 在各种真实工业数据集上表现出最先进的检测性能。此外，它满足工业场景的实时需求，因而非常适用于实际应用。代码已公开于 https://github.com/luow23/TFA-Net。
引用
@article{arxiv.2603.22874,
title = {Template-Based Feature Aggregation Network for Industrial Anomaly Detection},
author = {Wei Luo and Haiming Yao and Wenyong Yu},
journal= {arXiv preprint arXiv:2603.22874},
year = {2026}
}
备注
Accepted by Engineering Applications of Artificial Intelligence