基于视觉自回归建模的轻量化高分辨率图像异常检测 VarAD

本文解决了一个实际任务：高分辨率图像异常检测 (HRIAD)。与传统用于低分辨率图像的异常检测相比，HRIAD 增加了计算负担，要求更强的全局信息捕获能力。为解决 HRIAD 问题，本文将图像异常检测转化为视觉 token 预测，提出基于视觉自回归建模的 VarAD。具体而言，VarAD 首先提取多层次、多方向的视觉 token 序列，然后采用先进模型 Mamba 进行视觉自回归建模和 token 预测。在预测过程中，VarAD 有效利用所有前导 token 的信息来预测目标 token。最后，使用预测 token 与原始 token 之间的差异用于评分异常。在四个公开数据集和一个真实世界的按钮检查数据集上进行的全面实验表明，所提出的 VarAD 在保持轻量化的同时，实现了卓越的高分辨率图像异常检测性能，使 VarAD 成为 HRIAD 的可行解决方案。代码可在 \href{https://github.com/caoyunkang/VarAD}{\url{https://github.com/caoyunkang/VarAD}} 获得。