面向精准统一异常分割的研究
计算机视觉与模式识别
2025-03-11 v1
摘要
从图像中进行无监督异常检测旨在建模正常数据分布，创建判别性表示以准确分割并定位异常。尽管近期在高效统一的“一刀切”方案方面取得了进展，但在对异常像素进行精确分割以进行进一步监控方面仍存在挑战。更重要的是，这一问题在广泛使用的 AUROC 指标应用于不平衡 UAD 设置时被掩盖了。于是我们强调使用 pAP 和 DSC 作为指标来强调异常像素精确分割的重要性。为解决该未解决的分割任务，我们引入统一异常分割 (UniAS)。UniAS 提供一个多层混合管线，逐步细化来自粗到细的正常信息，纳入一种新颖的多粒度门控 CNN (MGG-CNN) 于 Transformer 层中，以显式聚合来自不同粒度的局部细节。UniAS 在 MVTec-AD 和 VisA 数据集上实现了 state-of-the-art 异常分割性能，在 pAP/DSC 上分别达到 65.12/59.33 和 40.06/32.50，显著优于先前方法。代码已共享于 https://github.com/Mwxinnn/UniAS。
关键词
引用
@article{arxiv.2501.12295,
title = {Towards Accurate Unified Anomaly Segmentation},
author = {Wenxin Ma and Qingsong Yao and Xiang Zhang and Zhelong Huang and Zihang Jiang and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2501.12295},
year = {2025}
}
备注
8 pages, 5 figures