TinyGLASS：面向实时自监督类传感器异常检测的轻量化框架
计算机视觉与模式识别
2026-03-24 v2
摘要
异常检测在工业质量控制中发挥关键作用，需要在标注故障样本稀缺的情况下识别缺陷。最近的自监督方法，如 GLASS，使用仅无缺陷数据学习正常视觉模式，已在工业基准上显示出强大的性能。然而，这些方法的计算要求限制了在资源受限的边缘平台上的部署，更别提类传感器处理架构。本工作引入 TinyGLASS，这是 GLASS 框架的一个轻量化版本，专为实时边缘和类传感器异常检测设计。该架构将原始 WideResNet-50 主干网络替换为紧凑的 ResNet-18，并引入基于部署的修改，使其能够进行静态图追踪和 INT8 量化。我们在 Sony IMX500 智能视觉传感器上进行评估，利用 Sony Model Compression Toolkit 中的类传感器处理器。除了在 MVTec-AD 基准上进行评估外，我们还调查了受污染训练数据的鲁棒性，并引入一个自定义工业数据集，即 MMS 数据集，用于跨设备评估。实验结果表明，TinyGLASS 在参数压缩 8.6 倍的同时保持了具竞争力的检测性能，在 MVTec-AD 上实现 94.2% 的图像级别 AUROC，并在 IMX500 平台的 8 MB 内存限制下以 20 FPS 的速度运行。系统剖析显示，推理能耗仅为 4.0 mJ，端到端延迟达到 20 FPS，能源效率高达 470 GMAC/J。此外，该模型在中等程度的训练数据污染下表现出稳定的性能。
引用
@article{arxiv.2603.16451,
title = {TinyGLASS: Real-Time Self-Supervised In-Sensor Anomaly Detection},
author = {Pietro Bonazzi and Rafael Sutter and Luigi Capogrosso and Mischa Buob and Michele Magno},
journal= {arXiv preprint arXiv:2603.16451},
year = {2026}
}