基于自适应视图合成的多目标场景中面积不变像素级异常检测
计算机视觉与模式识别
2025-05-21 v3 人工智能
摘要
内置环境涵盖了桥梁和建筑等关键基础设施，需要精细监控捕获图像中意外异常或偏离正常状态的情形。异常检测方法可用于自动化此任务；然而，在此类环境中有效部署异常检测存在尚未评估的显著挑战。这些挑战包括相机视角的变化、场景中多个对象的存在，以及缺乏用于训练的标记异常数据。为全面应对这些问题，我们提出并形式化了场景异常检测 (Scene AD) 作为在此特定现实条件下进行的无监督、像素级异常局部化任务。需要开发用于评估 Scene AD 进展的 ToyCity，这是第一个多目标、多视图实图像数据集，用于无监督异常检测。我们使用 ToyCity 的初始评估表明，既有的异常检测基线在实现稳健的像素级局部化方面困难。为此，创建了两种数据增强策略，以生成额外的非异常区域合成图像以提高通用性。然而，仅凭这些合成图像的添加只能提供微小的改进。因此，创建了 OmniAD，这是一种对逆向蒸馏方法的改进，以建立更强的基线。我们的实验表明，OmniAD 在配合增强视图使用时，相对于没有增强视图的逆向蒸馏方法，在像素级 F1 分数上提高了 64.33%。总体而言，本工作提供了 Scene AD 任务定义、ToyCity 基准、视图合成数据增强方法以及 OmniAD 方法。项目页面：https://drags99.github.io/OmniAD/。
引用
@article{arxiv.2406.18012,
title = {View-Invariant Pixelwise Anomaly Detection in Multi-object Scenes with Adaptive View Synthesis},
author = {Subin Varghese and Vedhus Hoskere},
journal= {arXiv preprint arXiv:2406.18012},
year = {2025}
}