主要观点总结
本文介绍了一种名为RealNet的特征重构网络，用于自监督异常检测。该网络集成了三个核心组件：可控强度扩散异常合成（SDAS）、异常感知特征选择（AFS）和重构残差选择（RRS）。RealNet通过自适应地选择预训练特征和重构残差，有效地利用多尺度预训练特征进行异常检测。文章还介绍了合成工业异常数据集（SIA）的创建方法。
关键观点总结
关键观点1: RealNet框架介绍
RealNet是一种特征重构网络，通过集成SDAS、AFS和RRS三个核心组件，实现自监督异常检测。该网络能够自适应地选择预训练特征和重构残差，利用多尺度预训练特征进行异常检测。
关键观点2: 可控强度扩散异常合成（SDAS）
SDAS是一种新型合成策略，用于生成更接近自然分布的多样化样本，并具有灵活控制异常强度的特性。它采用DDPM对正常样本的分布进行建模，并在抽样过程中引入扰动项，以在低概率密度区域生成样本。
关键观点3: 异常感知特征选择（AFS）
AFS是一种自监督方法，用于预训练特征选择。它减少特征的维度和消除预训练偏差，同时管理重构成本。AFS自适应地从所有可用层中选择特征的子集进行异常检测。
关键观点4: 重构残差选择（RRS）
RRS旨在选择包含最多异常信息的重构残差子集，用于生成异常得分，以实现对异常区域的最大回忆率。该模块通过结合全局最大池化和全局平均池化的结果，选择具有最大和平均值的TopK重构残差。
关键观点5: 合成工业异常数据集（SIA）
SIA是一个由SDAS生成的合成工业异常数据集，包含来自不同工业产品类别的异常图像。该数据集可方便地用于异常合成，促进自监督异常检测方法的应用。
文章预览
↑ 点击 蓝字 关注极市平台 作者丨VincentLee 来源丨晓飞的算法工程笔记 编辑丨极市平台 极市导读 论文提出了一种创新的自监督异常检测框架RealNet，集成了三个核心组件：可控制强度的扩散异常合成（SDAS）、异常感知特征选择（AFS）和重构残差选择（RRS）。这些组件通过协同作用，使RealNet能够有效地利用大规模预训练模型来进行异常检测，同时保持计算开销在合理的低范围内。 >> 加入极市CV技术交流群，走在计算机视觉的最前沿 论文地址 ： https://arxiv.org/abs/2403.05897 论文代码 ： https://github.com/cnulab/RealNet Introduction 图像异常检测在工业生产中是一项关键任务，广泛应用于质量控制和安全监测。虽然自监督方法在使用合成异常训练模型方面备受关注，但仍然面临着合成逼真和多样化的异常图像的挑战，特别是在生成复杂的结构异常和未知的异常
………………………………
