CVPRMay, 2024

LogicAL：面向无监督异常定位的逻辑异常合成

PDF
TL;DR通过引入边缘操作的异常合成框架，命名为 LogicAL，本研究提出了一种产生逼真的逻辑和结构异常的方法，填补了现有无监督研究在逻辑约束上的不足，并通过引入边缘重构进一步提高了异常定位性能。在 MVTecLOCO、MVTecAD、VisA 和 MADsim 数据集上进行了广泛实验，验证了 LogicAL 在逻辑和结构异常定位上的优势。
anomaly localizationunsupervised researchanomaly synthesisedge manipulationlogical and structural anomalies
发现论文，激发创造
  • 无监督异常定位在工业图像中的应用：一个调研

    本文对深度学习下工业图像无监督异常定位的近期研究成果进行了综述与分析，包括各种概念、挑战、分类、基准数据集及量化性能比较，并提供了未来研究方向的预测和分析。

    Jul, 2022

  • PUAD: 强大异常检测的令人沮丧地简单方法

    开发准确快速的异常检测模型是实时计算机视觉应用中的重要任务，本研究关注使用基于特征空间的越界检测方法来检测逻辑异常并在 MVTec LOCO AD 数据集上取得了最先进的性能。

    Feb, 2024

  • 工业异常检测中的少样本零件分割揭示组合逻辑

    本研究介绍了一种用于逻辑异常检测的新型组件分割模型，利用少量的标记样本和共享逻辑约束的未标记图像。通过采用直方图匹配损失和熵损失来确保未标记图像上的一致分割，提出了增强局部和全局样本有效性检测的方法，并通过三个记忆库 (类别直方图、组件构成嵌入和块级别表示) 捕捉视觉语义的关键方面。为了有效检测逻辑异常，提出了一种自适应缩放策略，以规范不同记忆库中的异常得分。在公共基准 MVTec LOCO AD 上进行的大量实验证明相较于竞争方法的 89.6%，我们的方法在逻辑异常检测中获得了 98.1% 的 AUROC。

    Dec, 2023

  • 可调和逻辑工业视觉检测的构件感知异常检测框架

    本文介绍了一种新的组件感知异常检测框架 (ComAD)，该框架利用轻量级和几乎不需要训练的无监督语义分割模型将图像分割成多个组件，并通过建模每个组件和它们之间的关系来实现可调节的和逻辑异常检测，该框架在图像级逻辑异常检测方面取得了最新的性能，并且将产品图像分成多个组件提供了一个新的视角，具有在模型定制、噪声抵抗和异常分类方面巨大的潜力。

    May, 2023

  • 具对比性本地化的强韧缺陷检测

    该论文提出一种无需建模过程，通过生成对抗网络（GAN）、新提出的缩放模式损失和动态遮蔽循环次要网络等三方面联合作用直接检测缺陷模式的一阶段框架，在 MVTec AD 数据集的质地类别中表现出比现有技术更高的 F1 分数和更好的普适性。

    Jun, 2023

  • 自监督异常检测和定位的自然合成异常

    通过自监督学习中的一种简单而直观的任务 ——Natural Synthetic Anomalies (NSA)，本文利用正常训练数据培训端到端模型进行异常检测和定位。NSA 技术使用 Poisson 图像编辑，无缝地混合来自不同图像的各种规模的缩放补丁，创造出一种更类似于自然子图像的不规则性的合成异常。我们使用自然和医学图像评估了所提出的方法。在 MVTec AD 数据集上的实验表明，使用本文提出的 NSA 技术训练的模型推广到检测出不同类型的制造缺陷，取得了 97.2 的总体检测 AUROC，优于所有先前的不使用额外数据集进行学习的方法。

    Sep, 2021

  • 面向时间异常定位的基于一致性自监督学习

    本文针对弱监督异常检测进行研究，利用自监督学习策略，通过对同一视频序列数据进行不同变换来使模型获得相同的分数，并通过实验证明这种对齐方式可以提高模型在 XD-Violence 数据集上的性能表现。

    Aug, 2022

  • 图像合成作为无监督组织病理学诊断的前置任务

    本文提出了使用无监督生成式模型来进行异常检测的方法，并在数字病理学领域展示了其优势，实验证明这种方法比有监督模型更优秀。

    Apr, 2021

  • 基于模式生成对比网络的非监督工业异常检测

    本文提出一种基于 Vision Transformer 的无监督异常检测网络，利用分层任务学习和人类经验来增强其可解释性，可以有效解决高维空间中非线性模型拟合的问题和纹理变化对算法鲁棒性的挑战，并在公开数据集上取得了 99.8% AUC 的表现，优于现有最先进方法。

    Jul, 2022

  • 图像异常检测的情境关联蒸馏

    基于先前知识蒸馏方法，本文提出使用两个学生（局部和全局）更好地模仿教师的行为，局部学生主要关注结构异常检测，而全局学生则关注逻辑异常，并通过设计全局上下文压缩块（GCCB）和提出上下文相似度损失来进一步鼓励全局学生学习以捕捉长距离依赖关系，实验结果表明该方法在 MVTec LOCO AD 数据集上达到了最新的性能水平，且无需繁琐的训练技巧。

    Jul, 2023