Aug, 2022

表面缺陷检测的清晰记忆增强自编码器

PDF
TL;DR本研究提出了一种清晰记忆增强自编码器来解决表面缺陷检测中正负样本极度不平衡的问题。该自编码器采用清晰记忆增强模块 (CMAM) 来修复异常前景并保留清晰背景，同时结合了通用的人工异常生成算法 (GAAGA) 和多尺度特征残留检测算法 (MSFR) 实现精准的缺陷分割。实验结果表明，CMA-AE 在表面缺陷检测方面的性能很好，有很大的实用潜力。
surface defect detectionpositive-samples-based anomaly detectionclear memory-augmented auto-encoderartificial anomaly generationmulti-scale feature residual detection
发现论文，激发创造
  • 记忆增强型深度自编码器用于无监督异常检测中的正常模式记忆

    提出了一种新的改进的自编码器 —— 记忆增强自编码器（MemAE），它通过一个内存模块来防止在异常检测中出现误检。实验表明，MemAE 在不同数据集上均拥有较好的适用性和有效性。

    Apr, 2019

  • TrustMAE：一种使用带有信任区域的记忆增强自编码器的噪声鲁棒性缺陷分类框架

    本文介绍了一种名为 TrustMAE 的框架，该框架能够识别产品缺陷，即便没有已标注的有缺陷图像。这种方法不易受到噪声的影响，可以通过一种稀疏内存寻址方案来避免自动编码器过于泛化，并且可以通过一种新颖的信任区域内存更新方案在记忆槽中保留有用的信息和避免噪声。TrustMAE 能够通过感知距离网络重建无缺陷的图像并且找到有缺陷的区域，相较于其他基线方法，在 MVTec 数据集上的效果有竞争力，并且在噪声等级高达 40% 的情况下仍然有效，远远优于其他基线方法。

    Dec, 2020

  • 对比遮蔽自编码器是更强的视觉学习者

    Contrastive Masked Autoencoders (CMAE) is a new self-supervised pre-training method that unifies contrastive learning (CL) and masked image model (MIM) for learning more powerful visual representation, achieving state-of-the-art results on image classification, semantic segmentation, and object detection tasks.

    Jul, 2022

  • 提升表面异常检测的切除与恢复：基于注意力的单一确定性掩码

    表面检查中的异常检测是制造业中一项重要且具有挑战性的任务，我们提出了一种名为 Excision and Recovery（EAR）的新型重建方法，通过单一确定性掩模来屏蔽潜在的疑似缺陷区域，用于异常检测。通过实验证明，EAR 模型在异常检测性能和吞吐量方面均优于现有方法。

    Oct, 2023

  • Divide-and-Assemble: 学习分块存储的记忆以进行无监督异常检测

    本文提出了一种自动编码器框架中的分割 - 组装策略，并引入了多尺度块状记忆模块和对抗学习以改进无监督图像异常检测的性能。

    Jul, 2021

  • 多类工业异常检测的混合注意力自编码器

    该研究论文提出了一种统一的混合注意力自动编码器（MAAE），用于通过单一模型实现多类异常检测，并通过采用空间注意力和通道注意力来有效捕捉全局类别信息和模拟多个类别的特征分布，同时提出了自适应噪声生成器和多尺度融合模块以模拟特征的真实噪声并保留不同类别对象的表面语义，MAAE 在基准数据集上表现出卓越的性能。

    Sep, 2023

  • 面向边缘智能制造的纹理表面缺陷视觉检测特征记忆重排网络

    本文提出了一种新的无监督特征记忆重组网络（FMR-Net）来准确检测各种纹理缺陷，通过提取多尺度特征、对比学习模块（CMFM）、全局特征重排模块（GFRM）来构建正常特征记忆库，采用两阶段的训练策略，使用多模式检测方法来实现缺陷定位，实验证明该方法具有较高的检测精度，适用于边缘计算的智能制造场景。

    Jun, 2022

  • LoMAE：低剂量 CT 去噪的低层次视觉遮蔽自编码器

    通过引入一种名为 LoMAE 的低水平视觉 MAE 模型，本研究展示了一种提高 transformer 去噪性能的方法，极大地减少了对干净数据的依赖，并在不同噪声水平下展现了显著的鲁棒性和普适性。

    Oct, 2023

  • 利用记忆和对比学习进行无监督异常检测

    研究了利用特征空间中异常值与正常值的距离进行异常检测，提出了一种名为 MCOD 的框架，结合记忆模块和对比学习模块。实验证明，该方法在四个基准数据集上表现良好，优于其他九种最先进的方法。

    Jul, 2021

  • 使用 Skip 连接在 Stain-shaped 噪声污染的图像上训练自编码器以提高异常检测

    本文研究工业视觉中基于自编码器网络的异常检测问题，通过引入 skip 连接的自编码器结构并使用一种新的 Stain 噪声模型，使网络能从有缺陷的图像中重建出干净图像，实现像素级或者图像级的异常检测。

    Aug, 2020