面向工业异常检测与定位的高效像素标注

在实际异常检测（AD）任务中，手动标注异常像素的成本极高。因此，许多 AD 方法被设计为单类分类器，针对完全不包含异常样本的训练集进行设计，以降低成本。尽管一些开创性工作通过纳入真实异常样本实现了更高的 AD 准确率，但这需要大量耗时的标注过程。本文在 AD 准确率与标注成本之间取得平衡，提出了 ADClick——一种新型交互式图像分割（IIS）算法。ADClick 利用创新的残差特征和精心设计的语言提示，高效生成真实损坏图像的“ground-truth”异常掩码。值得注意的是，ADClick 相比现有领先的 IIS 方法表现出显著更高的泛化能力。作为异常标注工具，ADClick 仅需每张训练图像的 3 至 5 次手动点击注释，即可生成高质量的异常标签（在 MVTec AD 数据集上 AP 为 94.1%）。此外，我们将 ADClick 的能力扩展至 ADClick-Seg——一个用于异常检测与定位的增强模型。通过使用 ADClick 推断的弱标签微调 ADClick-Seg 模型，我们在有监督的 AD 任务中实现了最佳性能（在 MVTec AD 数据集上 AP 为 86.4%，在 KSDD2 数据集上 AP 为 78.4%，PRO 为 98.6%）。