Jul, 2023

工业异常检测与定位的噪声到规范重构

PDF
TL;DR提出了一种基于重建的方法，利用噪声到规范范式来检测工业质量检测中的异常，通过多尺度融合和残差注意力模块实现端到端的异常检测和定位，在 MPDD 和 VisA 数据集上取得了比最新方法更有竞争力的结果，并在 MPDD 数据集上创造了新的最新标准。
anomaly detectionreconstruction-based methodnoise-to-norm paradigmmultiscale fusionresidual attention modules
发现论文，激发创造
  • 无监督异常定位的子空间感知特征重构

    我们提出了一种新颖的子空间感知特征重构框架，用于异常定位，通过学习低维子空间的自表达模型实现自适应特征逼近，从而减少内存需求并实现与最先进方法相媲美的异常定位性能。

    Sep, 2023

  • 用于异常检测和定位的原型残差网络

    该研究提出一种名为 PRN 的框架，通过学习异常和正常模式之间的特征残差，以准确重构异常区域的分割图。PRN 包括多尺度原型和多尺寸自注意机制，以及多种异常生成策略，并在多个数据集上实验证明其优于目前的无监督和监督方法。

    Dec, 2022

  • 异常检测的属性恢复框架

    该研究提出了一种基于图像修复的异常检测方法，在多个基准数据集上显著优于现有方法，特别是在 ImageNet 上，Top-performing 基线的 AUROC 提高了 10.1%。

    Nov, 2019

  • 基于交叉蒙版修复的多特征重建网络在无监督异常检测中的应用

    本研究提出了一种多特征重建网络（MFRNet），通过平行特征修复和交叉遮罩还原将图像重建转化为多特征重建，用于无监督异常检测。实验结果表明，该方法在四个公开数据集和一个自制数据集上表现出色，并明显优于其他状态艺术品。

    Apr, 2024

  • 基于知识驱动的自我训练的重建式异常定位

    本文提出了一种名为知识驱动自训练（KIST）的新型重建方法，通过自学习将知识融入重建模型中，利用弱标记的异常样本和领域专家总结的异常知识，生成像素级伪标签，实现对正常像素的重建同时抑制异常像素的重建，从而在异常定位任务中取得比现有重建方法更好的性能。

    Feb, 2024

  • 基于重构误差的少量异常样本检测

    探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外，并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。

    May, 2023

  • 基于正常参考关注机制和缺陷特征感知网络的表面缺陷检测

    本文提出了一种名为 NDP-Net 的无监督重构方法，通过引入多比例判别特征提取模块和基于参考的注意力机制，准确检测各种纹理缺陷并进行多尺度缺陷分割。

    Nov, 2022

  • 增强重构的多视角对比学习用于带属性网络异常检测

    本研究提出了一种基于自监督学习的框架来更准确地检测带属性网络中的异常节点，其中结合了多视图对比学习模块和属性重构模块。实验表明该模型优于当前最先进的模型。

    May, 2022

  • 可度量多样性的异常检测

    本文提出了一种名为 DMAD 的新型异常检测框架，该框架采用金字塔变形模块 (PDM) 设计多样化正常情况，并通过信息压缩模块，将变形从原型嵌入中分离，以使最终的异常得分更加可靠。实验证明，DMAD 在监控视频和工业图像中均有很好的效果。

    Mar, 2023

  • 用于图像异常定位的掩蔽变形器

    基于 Vision Transformer 架构和 Patch 掩蔽技术的图像异常检测方法，将输入图像分成多个分辨率的 Patch，在忽略异常信息的同时对周围数据进行重建，相较传统方法性能更好，MVTec 和 head CT 等数据集上实现了良好的结果。

    Oct, 2022