厦大新作RAAD：全面增强工业异常检测！

主要观点总结

本文介绍了工业异常检测中的注意力再校准方法RAAD，该方法通过量化减少注意力偏差并通过微调重新校准注意力图以提高异常敏感性。实验结果表明，RAAD在多个数据集上的工业异常检测任务中取得了显著效果。

关键观点总结

关键观点1: 工业异常检测的重要性及挑战

工业异常检测对于保持制造过程的质量和安全至关重要。由于标注成本高且缺陷具有不可预测性，无监督方法已成为实际解决方案。然而，传统的无监督方法面临正常样本固有偏差的问题，导致模型注意力分配不合理。

关键观点2: RAAD方法的核心思想

RAAD通过两阶段量化过程分解和重校准注意力图。首先通过量化减少注意力偏差，然后微调容易出现缺陷的区域以提高灵敏度。其中，分层量化评分（HQS）机制根据异常检测贡献在各层之间动态分配位宽，优化计算资源和注意力之间的对齐。

关键观点3: RAAD方法的实验结果

实验结果表明，RAAD在MVTec AD、MVTec LOCO和VisA等数据集上实现了较高的异常检测性能。与几种竞争方法相比，RAAD在平均检测AU-ROC分数上表现出最佳总体异常检测性能。此外，RAAD还能合理分配模型注意力，打破无监督IAD的偏差，实现有效的注意力重新分配。