URA-Net: 基于不确定性集成的异常感知与恢复注意力网络用于无监督异常检测
计算机视觉与模式识别
2026-03-25 v1 人工智能
摘要
无监督异常检测在工业缺陷检查和医学图像分析中起着关键作用，大多数方法依赖重建框架。然而，这些方法可能受到过度泛化的影响，导致能够很好地重建异常，从而导致检测性能差。为解决此问题，我们提出了一种创新的不确定性集成异常感知与恢复注意力网络 (URA-Net)，该网络显式地将异常模式恢复到其对应的正常模式。首先，与传统图像重建方法不同，我们利用预训练的卷积神经网络提取多级语义特征作为重建目标。为了帮助 URA-Net 学习恢复异常，我们引入一种新型的特征级人工异常合成模块，用于生成训练用的异常样本。随后，引入一种基于贝叶斯神经网络的 novel uncertainty-integrated anomaly perception 模块来学习异常和正常特征的分布。这有助于估计异常区域和模糊边界，为后续的异常恢复奠定了基础。然后，我们提出了一种新的恢复注意力机制，该机制利用全局正常语义信息来恢复检测到的异常区域，从而获得无缺陷的恢复特征。最后，我们使用输入特征与恢复特征之间的残差图进行异常检测和局部化。综合实验结果表明，在两个工业数据集 MVTec AD 和 BTAD 以及一个医学图像数据集 OCT-2017 上，所提出的方法在效果上无与伦比，优于现有方法。
引用
@article{arxiv.2603.22840,
title = {URA-Net: Uncertainty-Integrated Anomaly Perception and Restoration Attention Network for Unsupervised Anomaly Detection},
author = {Wei Luo and Peng Xing and Yunkang Cao and Haiming Yao and Weiming Shen and Zechao Li},
journal= {arXiv preprint arXiv:2603.22840},
year = {2026}
}
备注
Accepted by IEEE TCSVT